0.01 + 0.09 + 0.16 = 0.26[0, 0, 1] 与 [0.2, 0.2, 0.6]的方差为 0.04 + 0.04 + 0.16 = 0.24[0, 0, 1] 与 [0.1, 0, 0.9...0.3, 0.6]的交叉熵为 -log(0.6) = 0.51[0, 0, 1] 与 [0.2, 0.2, 0.6]的交叉熵为 -log(0.6) = 0.51[0, 0, 1] 与 [0.1, 0, 0.9...]的交叉熵为 -log(0.9) = 0.10
当label为0时,交叉熵为0,label为1时,交叉熵为-log(y),交叉熵只关注独热编码中有效位的损失。...).minimize(self.loss) # 以下代码验证正确率时使用
# argmax 返回最大值的下标,最大值的下标即答案
# 例如 [0,0,0,0.9,0,0.1,0,0,0,0...来源:http://geektutu.com/post/tensorflow-mnist-simplest.html