在tensorflow API文档中，他们使用了一个叫做logits的关键字。是什么?很多方法都是这样写的:
tf.nn.softmax(logits, name=None)
如果logits只是一个通用的张量输入，为什么它被命名为logits?
其次，以下两种方法有什么区别?
tf.nn.softmax(logits, name=None)
tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)
我知道tf.nn.softmax做什么，但不知道其他的。举个例子会很有帮助。
当前回答
对数是神经网络的非标准化输出。Softmax是一个归一化函数，它压缩神经网络的输出，使它们都在0到1之间，并且和为1。Softmax_cross_entropy_with_logits是一个损失函数，它接收神经网络的输出(在它们被softmax压缩后)和这些输出的真实标签，并返回一个损失值。
其他回答
以上答案对所问问题有足够的描述。
除此之外，Tensorflow还优化了应用激活函数，然后使用自己的激活和代价函数计算代价的操作。因此，使用tf.nn.softmax_cross_entropy() over tf.nn.softmax()是一个很好的实践;tf.nn.cross_entropy ()
在资源密集型模型中，你可以发现它们之间的显著差异。
对数是神经网络的非标准化输出。Softmax是一个归一化函数，它压缩神经网络的输出，使它们都在0到1之间，并且和为1。Softmax_cross_entropy_with_logits是一个损失函数，它接收神经网络的输出(在它们被softmax压缩后)和这些输出的真实标签，并返回一个损失值。
还有一件事我肯定想强调，因为logit只是一个原始输出，通常是最后一层的输出。这也可以是负值。如果我们使用它作为“交叉熵”评估，如下所述:
-tf.reduce_sum(y_true * tf.log(logits))
那就没用了。因为log (-ve)没有定义。 因此使用softmax激活，将克服这个问题。
这是我的理解，如果错了请指正。
softmax计算通过softmax层的前向传播。当您计算模型输出的概率时，您可以在模型的评估过程中使用它。
tf.nn。Softmax_cross_entropy_with_logits计算一个softmax层的开销。它只在训练时使用。
对数是输出模型的非归一化对数概率(在应用softmax归一化之前输出的值)。
Tensorflow 2.0兼容答案:dga和stackoverflowuser2010的解释非常详细地介绍了Logits和相关的函数。
当在Tensorflow 1中使用这些函数时。X可以正常工作，但是如果您从1迁移代码。X(1.14, 1.15，等等)到2。X(2.0, 2.1，等等)，使用这些函数会导致错误。
因此，如果我们从1迁移，则为上面讨论的所有函数指定2.0兼容调用。X到2。X，为了社区的利益。
1.x中的函数:
tf.nn.softmax tf.nn.softmax_cross_entropy_with_logits tf.nn.sparse_softmax_cross_entropy_with_logits
从1迁移时各自的函数。X到2.x:
tf.compat.v2.nn.softmax tf.compat.v2.nn.softmax_cross_entropy_with_logits tf.compat.v2.nn.sparse_softmax_cross_entropy_with_logits
有关从1迁移的更多信息。X到2。x，请参考本迁移指南。
