1、求loss：tf.reduce_mean（tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)）

1.求loss：

tf.reduce_mean（tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)）

第一個參數logits：就是神經網絡最后一層的輸出，如果有batch的話，它的大小就是[batchsize，num_classes]，單樣本的話，大小就是num_classes

第二個參數labels：實際的標簽，大小同上

具體的執行流程大概分為兩步：

1. 第一步是先對網絡最后一層的輸出做一個softmax，這一步通常是求取輸出屬於某一類的概率，對於單樣本而言，輸出就是一個num_classes大小的向量（[Y1，Y2,Y3...]其中Y1，Y2，Y3...分別代表了是屬於該類的概率
2. 第二步是softmax的輸出向量[Y1，Y2,Y3...]和樣本的實際標簽做一個交叉熵，公式如下：

其中指代實際的標簽中第i個的值（用mnist數據舉例，如果是3，那么標簽是[0，0，0，1，0，0，0，0，0，0]，除了第4個值為1，其他全為0）

就是softmax的輸出向量[Y1，Y2,Y3...]中，第i個元素的值

顯而易見，預測越准確，結果的值越小（別忘了前面還有負號），最后求一個平均，得到我們想要的loss

注意！！！這個函數的返回值並不是一個數，而是一個向量，如果要求交叉熵，我們要再做一步tf.reduce_sum操作,就是對向量里面所有元素求和，最后才得到，如果求loss，則要做一步tf.reduce_mean操作，對向量求均值！

import tensorflow as tf  
  
logits=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])   
y=tf.nn.softmax(logits)   
y_=tf.constant([[0.0,0.0,1.0],[0.0,0.0,1.0],[0.0,0.0,1.0]])   
cross_entropy = -tf.reduce_sum(y_*tf.log(y))  #交叉熵公式
cross_entropy2=tf.reduce_sum(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_))#代入函數
  
with tf.Session() as sess:  
    softmax=sess.run(y)  
    c_e = sess.run(cross_entropy)  
    c_e2 = sess.run(cross_entropy2)  
    print("step1:softmax result=")  
    print(softmax)  
    print("step2:cross_entropy result=")  
    print(c_e)  
    print("Function(softmax_cross_entropy_with_logits) result=")  
    print(c_e2)  

step1:softmax result=
[[0.09003057 0.24472848 0.66524094]
[0.09003057 0.24472848 0.66524094]
[0.09003057 0.24472848 0.66524094]]
step2:cross_entropy result=
1.222818
Function(softmax_cross_entropy_with_logits) result=
1.2228179