为什么我们需要在tensorflow中使用softmax的tf.arg_max（Y，1）？

Question

当我编写tensorflow演示时，我在 arg_max()

的定义中找到了 correct_predition 函数

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
            logits=hypothesis,labels=Y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

correct_prediction = tf.equal(tf.arg_max(hypothesis,1),tf.arg_max(Y,1))

返回张量轴上具有最大值的索引。（这来自TF的API）

我们使用' softmax_cross_entropy_with_logits '，

预测（ hypothesis ）表示为概率

我们将通过 arg_max() 的 hypothesis 函数得到最大预测概率的索引

但是Y是标签，这不是我们需要使用tf.arg_max(Y,1) 的概率吗？

Answer 1

arg_max（假设）正在返回一个INDEX。 Y是长度为10的单热矢量。 tf.equal（）在这里做不了什么事，因为这两件事情不兼容。

因此，arg_max（Y）返回一个INDEX。 现在tf.equal（）可以做一个明智的事情：如果预测与目标匹配则为1，否则为0。

注意arg_max（）不是关于概率的函数：它只是一个返回最大元素索引的函数。