我在TensorFlow中计算交叉熵时遇到了困难。特别是我使用了以下函数：
tf.nn.softmax_cross_entropy_with_logits()使用看似简单的代码，我只能得到零的结果
import tensorflow as tfimport numpy as npsess = tf.InteractiveSession()a = tf.placeholder(tf.float32, shape =[None, 1])b = tf.placeholder(tf.float32, shape = [None, 1])sess.run(tf.global_variables_initializer())c = tf.nn.softmax_cross_entropy_with_logits( logits=b, labels=a).eval(feed_dict={b:np.array([[0.45]]), a:np.array([[0.2]])})print c返回
0我对交叉熵的理解如下：
H(p,q) = p(x)*log(q(x))其中p(x)是事件x的真实概率，而q(x)是事件x的预测概率。
因此，如果输入的p(x)和q(x)是任意两个数，并且满足
0<p(x)<1 AND 0<q(x)<1那么应该有一个非零的交叉熵。我猜测我可能在使用TensorFlow时犯了错误。提前感谢任何帮助。
回答：
正如他们所说，你不能在“softmax_cross_entropy_with_logits”中不包含“softmax”。[0.45]的softmax是[1]，而log(1)是0。
用于测量离散分类任务中的概率误差，其中类别是互斥的（每个条目只属于一个类别）。例如，每个CIFAR-10图像都标有一个且仅有一个标签：一张图像可以是狗或卡车，但不能同时是两者。
注意：虽然类别是互斥的，但它们的概率不必是互斥的。所需的只是
labels的每一行都是一个有效的概率分布。如果不是这样，梯度的计算将是不正确的。如果使用互斥的
labels（其中一次只有一个类别为真），请查看sparse_softmax_cross_entropy_with_logits。警告：此操作需要未缩放的logits，因为它在内部对
logits执行softmax以提高效率。请勿用softmax的输出调用此操作，因为这将产生错误的结果。
logits和labels必须具有相同的形状[batch_size, num_classes]和相同的dtype（可以是float16、float32或float64）。
