##c3d代码
原文链接：https://blog.csdn.net/ZJRN1027/article/details/80199248
cross_entropy_mean = tf.reduce_mean(
tf.nn.sparse_softmax_cross_entropy_with_logits(labels=labels,logits=logit)
)
tf.summary.scalar(
name_scope + ‘_cross_entropy’,
cross_entropy_mean
)
tf.nn.sparse_softmax_cross_entropy_with_logits(labels=labels,logits=logit)
logits为神经网络输出层的输出，shape为[batch_size，num_classes]，
label为一个一维的vector，长度等于batch_size，每一个值的取值区间必须是[0，num_classes)，其实每一个值就是代表了batch中对应样本的类别

  tf.nn.sparse_softmax_cross_entropy_with_logits()首先来说，这个函数的具体实现分为了两个步骤，我们一步一步依次来看。

第一步：Softmax

不管是在进行文本分类还是图像识别等任务时，神经网络的输出层个神经元个数通常都是我们要分类的类别数量，也可以说，神经网络output vector的dimension通常为类别数量，而我们的Softmax函数的作用就是将每个类别所对应的输出分量归一化，使各个分量的和为1，这样可以理解为将output vector的输出分量值，转化为了将input data分类为每个类别的概率。举一个例子来说：

假设上面这个图中的Z1，Z2，Z3为一个三分类模型的output vector，为[3,1,-3]，3代表类别1所对应的分量，1为类别2对应的分量，-3为类别3对应的分量。经过Softmax函数作用后，将其转化为了[0.88，0.12，0]，这就代表了输入的这个样本被分到类别1的概率为0.88，分到类别2的概率为0.12，分到类别3的概率几乎为0。这就是Softmax函数的作用，Softmax函数的公式如下所示，我们就不做详细讲解了。

第二步：计算Cross-Entropy

神经网络的输出层经过Softmax函数作用后，接下来就要计算我们的loss了，这个这里是使用了Cross-Entropy作为了loss function。由于tf.nn.sparse_softmax_cross_entropy_with_logits()输入的label格式为一维的向量，所以首先需要将其转化为one-hot格式的编码，例如如果分量为3，代表该样本属于第三类，其对应的one-hot格式label为[0，0，0，1，…0]，而如果你的label已经是one-hot格式，则可以使用tf.nn.softmax_cross_entropy_with_logits()函数来进行softmax和loss的计算。

转为one-hot格式之后就该计算我们的cross-entropy了，公式如下：

其中为label中的第i个值，yi为经softmax归一化输出的vector中的对应分量，由此可以看出，当分类越准确时，yi所对应的分量就会越接近于1，从而的值也就会越小。
sparse 不用one-hot， 直接用标签计算交叉熵