python编程之tf.nn.softmax_cross_entropy_with_logits()的用法，包你看过一次终生不退还知识
tf.nn.softmax_cross_entropy_with_logits()这个方法又臭又长，看到就头晕！！
这个方法在什么时候用到？
神经网络最后输出层时用到，计算损失率，神经网络预测出的标签与实际标签之间的误差是多少？这是评价这个模型优劣的标准。
这个方法有两个重要参数：1、logits:样本最后输出的几个特征值（如果是10类，就是10个特征值，与分类的类别数目有关）
2、实际标签（这个图片或者音频文件是属于第几类的）
假设，我们的文本或者音频总共是5类，我们是单样本，最后输出层是的[14.0,35.0,16.0,12.0,7.0]；
tf.nn.softmax_cross_entropy_with_logits()方法的功能如下
1、计算概率
2、与实际标签比较，如果预测结果与实际标签一致，那么误差为0，如果预测结果与实际标签相差太远，那么误差就会很大；
1、如果计算概率，当前值/总和；换一句人话来说，就是当前的值越大，那么概率越大；
1,2,3,4,5 总和是15，你说这几个数谁的概率大，当然是5啊！
2、在训练神经网络过程中，实际标签我们是知道的，比如这个图片或者音频文件是属于第3类的，那么我们一般用热码方式表达；
为什么用热码的方式表达？
因为我们神经网络的最后的输出层，如果是分成5类的话，一般最后一层是5个神经元，热码的方式与这样输出方式，一一对应而且方便计算；
假设热码是[0.0,0.0,0.0,1.0,0.0] 也就是说这个图片或者音频文件是第三个；（热码从0开始算，不是1）
3、但是输出层是[14.0,35.0,16.0,12.0,7.0]，我们可以看出，35最大，也就是第一个，然而实际标签是第三个，存在误差；
4、那么误差是多少呢？对于的概览越小，误差越大！
4.1、标签1.0对于的是12，12在[14.0,35.0,16.0,12.0,7.0]里面的大小是倒数第二的，误差大，是23%
4.2、标签1.0对于的是7.0，7.0在[14.0,35.0,16.0,12.0,7.0]里面的大小是倒数第一的，误差最大，是28%
4.3、标签1.0对于的是35.0，35.0在[14.0,35.0,16.0,12.0,7.0]里面的大小最大，误差最小为0
4.4、标签1.0对于的是16.0，16.0在[14.0,35.0,16.0,12.0,7.0]里面比12大，所以误差比23%小，为19%
你看懂了么？如果不知道的话，可以自己敲一下运行看看，就知道怎么回事？