了解张量流中logit和标签的描述

Question

这是张量流关于tf.nn.sparse_softmax_cross_entropy_with_logits中的logit和label参数的说法

  

Args：     _sentinel：用于防止位置参数。内部，请勿使用。

     

标签：形状为Tensor的{​​{1}}（其中[d_0, d_1, ..., d_{r-1}]是等级       r和结果）和dtype labels或int32。 int64中的每个条目       必须是labels中的索引。其他值将引发       此操作在CPU上运行时发生异常，并返回[0, num_classes)       GPU上的损失和梯度行。

     

logits：形状的未缩放对数概率       NaN和dtype [d_0, d_1, ..., d_{r-1}, num_classes]或float32。     name：操作的名称（可选）。

我研究了相当多的机器学习和深度学习分类问题，并且遇到或什至想到的唯一输出形状是[无，1]或[无，类数]（如果稀疏，实施未实现。）

请阐明在哪里：float64（形状为Tensor的标签和'Tensor'（对数）形状的未缩放对数概率     [d_0, d_1, ..., d_{r-1}]来自。也许只是一个例子就足够了

Answer 1

  

我一直在研究机器学习和深度学习分类问题，并且碰到甚至想到的唯一输出形式是[无，1]或[无，类数]

这正是您所描述的。

  

标签：形状为[d_0，d_1，...，d_ {r-1}]的张量（其中r是标签和结果的等级）和dtype int32或int64。标签中的每个条目都必须是[0，num_classes）中的索引。

d_0，d_1 ... d_ {r-1}是批次的示例。在这里，这对应于形状为[r，1]的张量，其中r是您的batch_size。

  

logits：形状为[d_0，d_1，...，d_ {r-1}，num_classes]的未缩放日志概率

这里同样，这对应于形状为[r，num_classes]的张量。

当我们定义模型时，r = None，因为我们不希望图形依赖于批量大小。