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

【问题标题】：why we need tf.arg_max(Y,1) with softmax in tensorflow?为什么我们需要 tf.arg_max(Y,1) 和 tensorflow 中的 softmax？
【发布时间】：2017-09-28 17:47:18
【问题描述】：

我在写tensorflow demo的时候，在correct_predition

的定义中发现了这个arg_max()函数

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。（来自 TF 的 API）

因为我们使用'softmax_cross_entropy_with_logits'，

预测 (hypothesis) 表示为概率

我们将通过arg_max()函数得到hypothesis

的最大预测概率指数

但是Y是标签，这不是我们需要使用tf.arg_max(Y,1)的概率？

【问题讨论】：

标签： label softmax hypothesis-test argmax

【解决方案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，因为这两个东西不兼容。

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() 不是一个关于概率的函数：它只是一个返回最大元素索引的函数。

【讨论】：

非常感谢。 Y 是一个长度为 10 的 one-hot 向量。 对这个问题很重要。