[TensorFlow] argmax, softmax_cross_entropy_with_logits, sparse_softmax_cross_entropy_with_logits函数详解

写在前面

tensorFlow版本：1.8.0

一、tf.argmax()

tf.argmax(
    input, 
    axis=None, 
    name=None, 
    dimension=None, 
    output_type=tf.int64
)

1、argmax()的作用是返回数组某一行或某一列最大数值所在的下标
2、input：输入矩阵
3、 axis：指定按行操作还是按列操作

此函数在使用时最重要的两个参数是input和axis，axis可选的取值是0和1。axis=0表示对矩阵按列进行argmax操作，axis=1表示对矩阵按行进行argmax操作。
举例如下：

import tensorflow as tf

data = tf.constant([[1, 5, 4], [2, 3, 6]], dtype=tf.float32)   # 定义一个2*3的矩阵
argmax_axis_0 = tf.argmax(data, 0)    # 按列
argmax_axis_1 = tf.argmax(data, 1)    # 按行
with tf.Session() as sess:
    value_axis_0 = sess.run(argmax_axis_0)
    value_axis_1 = sess.run(argmax_axis_1)
    print("value_axis_0: %s" % value_axis_0)
    print("value_axis_1: %s" % value_axis_1)

代码执行结果：

value_axis_0: [1 0 1]
value_axis_1: [1 2]

二、tf.nn.softmax_cross_entropy_with_logits()

tf.nn.softmax_cross_entropy_with_logits(
    _sentinel=None, 
    labels=None, 
    logits=None, 
    dim=-1, 
    name=None
)

1、tf.nn.softmax_cross_entropy_with_logits()函数的作用是先对神经网络的输出(logits)进行softmax操作转化成概率值，再将其与labels进行交叉熵计算。
2、labels：真实标签，使用one-hot编码表示。假设共n个样本，样本类别数为m，则输入矩阵的形状为(n, m)
3、logits：神经网络的输出，大小和labels一致。

（1）Softmax计算
softmax的计算公式如下：

$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- softmax(x_i )= \frac{exp(x_i)}{\sum_j^{ }{exp(x_j)}} //--><!]]]]><![CDATA[> //--><!]]>$
其中$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- x_i //--><!]]]]><![CDATA[> //--><!]]>$ 表示一个样本的输出。

代码示例：

import tensorflow as tf

# 输出样例，假设有2个样本，类别数为10，则输出结构：(2, 10)
logits = tf.constant([[1, 2, 3, 4, 2, 1, 0, 2, 1, 1], [1, 2, 4, 1, 0, 5, 0, 2, 1, 3]], dtype=tf.float32)
y = tf.nn.softmax(logits)
with tf.Session() as sess:
    print(sess.run(y))

输出结果：

[[0.02500168 0.0679616  0.1847388  0.5021721  0.0679616  0.02500168
  0.0091976  0.0679616  0.02500168 0.02500168]
 [0.0109595  0.029791   0.22012737 0.0109595  0.00403177 0.5983682
  0.00403177 0.029791   0.0109595  0.08098033]]

softmax处理之后的概率值表此样本属于某类别的概率，如0.02500168表示第一个样本属于第一个类别的概率是0.02500168。在最终判断具体是哪个类别时，应该取对应概率值最大的类别。

（2）tf.nn.softmax_cross_entropy_with_logits()
此函数便是先对输出结果进行softmax处理，得到概率值之后再将其与labels进行交叉熵计算。其计算公式为：

$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- L=-\sum_{j=1}^{T}y_jlogs_j //--><!]]]]><![CDATA[> //--><!]]>$
其中，
$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- y //--><!]]]]><![CDATA[> //--><!]]>$表示真实标签，其维度为1*m。比如对于MNIST手写体识别的数据，标签有0~9共10种可能，则m=10，如[0, 0, 0, 1, 0, 0, 0, 0, 0, 0]表示数字属于第4个类别，即数字3。$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- y_j //--><!]]]]><![CDATA[> //--><!]]>$ 表示真实标签中的第i个的值。
$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- s_j //--><!]]]]><![CDATA[> //--><!]]>$ 表示softmax输出向量的第j个值。

举例：
$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- y_j=[0, 0, 0, 1, 0, 0, 0, 0, 0, 0] //--><!]]]]><![CDATA[> //--><!]]>$
$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- s_j=[0.02500168, 0.0679616, 0.1847388, 0.5021721, 0.0679616, 0.02500168, 0.0091976, 0.0679616, 0.02500168,0.02500168] //--><!]]]]><![CDATA[> //--><!]]>$
则，$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- L=-(0*log(0.02500168)+0* log(0.0679616)+0*log(0.1847388)+1* log(0.5021721)+....)= -log(0.5021721) //--><!]]]]><![CDATA[> //--><!]]>$
因为当x<1时，logx<0且单调递增，因此，预测$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- s_j //--><!]]]]><![CDATA[> //--><!]]>$ 越准确，$<!--//--><![CDATA[// ><!-- <!--//--><![CDATA[// ><!-- L //--><!]]]]><![CDATA[> //--><!]]>$的值越小。

注意：我们对每一个样本都可以求出一个交叉熵，但是最后的损失值应该是一个数值，它是所有样本交叉熵的和，因此我们需要将所有样本的交叉熵求和，使用tf.reduce_sum()函数

代码举例：

import tensorflow as tf

# 输出样例，假设有2个样本，类别数为10，则输出结构：(2, 10)
logits = tf.constant([[1, 2, 3, 4, 2, 1, 0, 2, 1, 1], [1, 2, 4, 1, 0, 5, 0, 2, 1, 3]], dtype=tf.float32)

# 真实标签
y_ = tf.constant([[0, 0, 0, 1, 0, 0, 0, 0, 0, 0], [0, 0, 1, 0, 0, 0, 0, 0, 0, 0]], dtype=tf.float32)

# 使用softmax_cross_entropy_with_logits计算交叉熵值
loss = tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_))

with tf.Session() as sess:
    value = sess.run(loss)
    print("loss is: ", value)

输出结果：

loss is:  2.2023613

三、tf.nn.sparse_softmax_cross_entropy_with_logits()

tf.nn.sparse_softmax_cross_entropy_with_logits(
    _sentinel=None, 
    labels=None, 
    logits=None, 
    dim=-1, 
    name=None
)

1、tf.nn.sparse_softmax_cross_entropy_with_logits()功能和tf.nn.softmax_cross_entropy_with_logits()一样
2、logits的输入格式不变，形状仍然是(n, m)，n表示样本数，m表示类别个数。
3、labels的输入格式改变，因在tf.nn.softmax_cross_entropy_with_logits()中，每一个样本都需要使用一个m维的向量表示，这m维的向量使用one-hot编码表示，有一位个1，其余都是0。而在tf.nn.sparse_softmax_cross_entropy_with_logits()中，直接使用类别值代替one-hot向量，比如使用one-hot表示一个样本的真实标签是[0, 0, 0, 0, 1, 0, 0, 0, 0, 0]，则在tf.nn.sparse_softmax_cross_entropy_with_logits()中用4表示这个样本的真实值。

代码举例：

import tensorflow as tf

# 输出样例，假设有2个样本，类别数为10，则输出结构：(2, 10)
logits = tf.constant([[1, 2, 3, 4, 2, 1, 0, 2, 1, 1], [1, 2, 4, 1, 0, 5, 0, 2, 1, 3]], dtype=tf.float32)

# 真实标签
y_ = tf.constant([[0, 0, 0, 1, 0, 0, 0, 0, 0, 0], [0, 0, 1, 0, 0, 0, 0, 0, 0, 0]], dtype=tf.float32)

# 使用softmax_cross_entropy_with_logits计算交叉熵值
loss = tf.reduce_sum(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=tf.argmax(y_, 1)))

with tf.Session() as sess:
    value = sess.run(loss)
    print("loss is: ", value)

输出结果：

loss is:  2.2023613

输出结果和softmax_cross_entropy_with_logits的输出结果一样。

参考文章：
https://blog.csdn.net/mao_xiao_feng/article/details/53382790
https://blog.csdn.net/qq575379110/article/details/70538051
https://blog.csdn.net/u014380165/article/details/77284921

来源：CSDN

作者：nana-li

链接：https://blog.csdn.net/quiet_girl/article/details/80411966