sparsecategoricalcrossentropy,和,SparseCategoricalCrossentropy,用法,區別
這兩個函數的功能都是將數字編碼轉化成one-hot編碼格式，然后對one-hot編碼格式的數據（真實標簽值）與預測出的標簽值使用交叉熵損失函數。
先看一下官網給出的對於兩個函數定義：
tf.keras.losses.SparseCategoricalCrossentropy(
from_logits=False, reduction=losses_utils.ReductionV2.AUTO,
name=‘sparse_categorical_crossentropy’)
tf.keras.losses.sparse_categorical_crossentropy(
y_true, y_pred, from_logits=False, axis=-1)
函數定義中，最明顯的區別是sparse_categorical_crossentropy中在參數中指定y_true（真實標簽值）以及y_pred（預測標簽值）。
import tensorflow as tf import numpy as np y_true = tf.constant([1, 2]) y_pred = tf.constant([[0.05, 0.95, 0], [0.1, 0.8, 0.1]]) loss = tf.reduce_mean(tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred)) scce = tf.keras.losses.SparseCategoricalCrossentropy() print(loss.numpy()) print(scce(y_true, y_pred).numpy())
運行結果如下： 
sparse_categorical_crossentropy需在參數的部分指定y_true和y_pred
SparseCategoricalCrossentropy在調用部分指定y_true和y_pred
接下來，再對這兩個函數的參數進行簡單描述：
- SparseCategoricalCrossentropy
- reduction=‘auto’，這個參數是進行最后的求平均，如果是設置為losses_utils.ReductionV2.None，就不會求平均了
設置為reduction='none' scce = tf.keras.losses.SparseCategoricalCrossentropy(reduction='none') # 輸出結果是：
[0.05129344 2.3025851 ] #
設置為reduction='auto' scce = tf.keras.losses.SparseCategoricalCrossentropy(reduction='auto')
# 輸出結果是求平均后的結果：
# 1.1769392
