我的任务是按像素对图像进行分类......所以图像的每个像素都有一个类别，CNN 应该能够读出标签图像，使得每个像素都具有类别的离散值（0-19）。
我有一个 CNN，它似乎在再现相对值方面做得很好，因此它近似于标签图像，范围为 0.00001 和 0.00002……但是，我无法让交叉熵工作超出“有点好”，因为它依赖于具有离散值的图像标签矩阵：
[[0, 1, 1, 1],[1,1,3,3],.etc] # A 2x4 pixel example
另外，我认为我不能依赖 onehot 向量，因为我会查看 19*227*227 矩阵……但如果这里没有解决方案，我可能会尝试这样做。
无论如何，如何对 softmax 中的返回值进行整数装箱？我必须为图像中的每个像素做 1hot 矢量，还是可以通过其他方式将 softmax 分布更改为整数类？
我意识到这个答案有点晚了，但希望它会有所帮助。您不必创建 one-hot 向量；你可以使用tf.nn.sparse_softmax_cross_entropy_with_logits.
labels: Each entry labels[i] must be an index in [0, num_classes) or -1. If -1, the corresponding loss will be 0, regardless of the contents of logits[i].
有关其文档，请参阅下面的链接，以及在 CIFAR-10 网络教程中使用的示例。 https://www.tensorflow.org/versions/r0.8/api_docs/python/nn.html#sparse_softmax_cross_entropy_with_logits https://github.com/tensorflow/tensorflow/blob/master/tensorflow/models/image/cifar10/cifar10 .py
希望这可以帮助！