python之Tensorflow softmax_cross_entropy_with_logits 与 tf.reduce_mean(-tf.reduce_sum(y*tf.log(yhat), reduction_indices = 1))

我正在关注此处的多层感知器示例:https://github.com/aymericdamien/TensorFlow-Examples我对函数 tf.nn.softmax_cross_entropy_with_logits 以及它与 tf.nn.relu 和 reduce_sum 的关系感到困惑。假设我声明一个网络:

x   = tf.placeholder('float',[None,24**2]) 
y   = tf.placeholder('float',[None,10]) 
w1  = tf.Variable(random_normal([24**2,12]) 
w2  = tf.Variable(random_normal([12,10]) 
h   = tf.nn.relu(tf.matmul(x,w1)) 
yhat= tf.matmul(h, w2) 
 
''' 
  cost function 
''' 
cost = tf.reduce_mean(tf.nn.softmax_corss_entropy_with_logits(logits=yhat, labels=y)) 

上面的不应该是一样的吗:

x   = tf.placeholder('float',[None,24**2]) 
y   = tf.placeholder('float',[None,10]) 
w1  = tf.Variable(random_normal([24**2,12]) 
w2  = tf.Variable(random_normal([12,10]) 
h   = tf.nn.relu(tf.matmul(x,w1)) 
yhat= tf.nn.softmax(tf.matmul(h, w2)) 
 
''' 
  cost function 
''' 
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(_hat),reduction_indices=1)) 

但是当我使用第一种结构进行训练时，我的准确率约为 95%，第二种方法产生 1% 的准确率，所以显然它不仅仅是“数值不稳定性” “对吗？

有关完整示例，请参阅:https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/multilayer_perceptron.py

请您参考如下方法:

做了一些快速研究。我在 multilayer_peceptron.py 文件的第 62 行上方添加了这个，并在第 87 行打印了它

cost_v2 = tf.reduce_mean(-tf.reduce_sum(y*tf.log(tf.nn.softmax(pred)),1))

在第一批中，它以 nan 出现，因为 pred 实际上在 softmax 之后包含相当多的零。我猜交叉熵忽略了零，只是基于此进行求和:https://datascience.stackexchange.com/questions/9302/the-cross-entropy-error-function-in-neural-networks