label - 为什么我们需要 tf.arg_max(Y,1) 和 tensorflow 中的 softmax？

Question

当我写 tensorflow 演示时，我arg_max()在定义中找到了这个函数correct_predition

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
            logits=hypothesis,labels=Y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

correct_prediction = tf.equal(tf.arg_max(hypothesis,1),tf.arg_max(Y,1))

返回张量轴上具有最大值的索引。（这是来自 TF 的 API）

因为我们使用' softmax_cross_entropy_with_logits'，

预测 ( hypothesis) 表示为概率

arg_max()我们将通过函数获得最大预测概率的索引hypothesis

但是Y是标签，这不是我们需要使用的概率tf.arg_max(Y,1)吗？

Answer 1

arg_max(hypothesis) 正在返回一个索引。Y 是长度为 10 的 one-hot 向量。tf.equal() 在这里不能做任何明智的事情，因为这两件事不兼容。

因此，arg_max(Y) 返回一个 INDEX。现在 tf.equal() 可以做一件明智的事情：如果预测与目标匹配，则为 1，否则为 0。

注意 arg_max() 不是关于概率的函数：它只是一个返回最大元素索引的函数。