这就是tensorflow对tf.nn.sparse_softmax_cross_entropy_with_logits中的logits和标签参数的看法
参数： _sentinel：用于防止位置参数。内部，请勿使用。
标签：形状
[d_0, d_1, ..., d_{r-1}]的Tensor(其中r的等级为labels和结果)和 dtypeint32或int64.labels中的每个条目 必须是[0, num_classes)中的索引。其他值将引发 当此操作在 CPU 上运行时出现异常，并返回相应的NaNGPU 上的损失和梯度行。logits：形状的未缩放对数概率
[d_0, d_1, ..., d_{r-1}, num_classes]和 dtypefloat32或float64。 名称：操作的名称(可选)。
我已经处理了相当多的机器学习和深度学习分类问题，我遇到甚至想到的唯一输出形状是[无，1]或[无，类数](如果未实现稀疏实现。
请阐明在哪里做： 形状[d_0, d_1, ..., d_{r-1}]的Tensor(标签)和"张量"(对数) 形状的未缩放对数概率[d_0, d_1, ..., d_{r-1}, num_classes]来自。也许只是一个例子就足够了
我已经处理了相当多的机器学习和深度学习分类问题，我遇到甚至想到的唯一输出形状是[无，1]或[无，类数]
这正是您所描述的。
labels：形状 [d_0， d_1， ...， d_{r-1}] 的张量(其中 are 是标签和结果的秩)和 dtype int32 或 int64。标签中的每个条目必须是 [0， num_classes) 中的索引。
d_0，d_1...d_{R-1} 是批处理的示例。这里这对应于形状为 [r， 1] 的张量，其中 r 是你的batch_size。
logits： 形状的未缩放对数概率 [d_0， d_1， ...， d_{r-1}， num_classes]
同样的事情在这里，这对应于形状为 [r， num_classes] 的张量。
当我们定义模型时，r = None 因为我们不希望图形依赖于批量大小。