TensorFlow 2.0：sparse_categorical_crossentropy 和 SparseCategoricalCrossentropy 有什么区别？答案

【问题标题】：TensorFlow 2.0: What is the difference between sparse_categorical_crossentropy and SparseCategoricalCrossentropy?TensorFlow 2.0：sparse_categorical_crossentropy 和 SparseCategoricalCrossentropy 有什么区别？
【发布时间】：2019-12-16 16:07:50
【问题描述】：

阅读 TensorFlow 2.0 的文档，我发现：

tf.keras.losses.sparse_categorical_crossentropy

和

tf.keras.losses.SparseCategoricalCrossentropy

他们在教程中的使用方式，他们的论点，他们的描述，他们似乎和我一样。两者有什么区别？

【问题讨论】：

标签： python tensorflow keras tensorflow2.0

【解决方案1】：

一个是函数，一个是类。

第一个是函数版本，它只会在你评估它时吐出损失的值。

第二个是类版本。您需要评估类本身的实例以获得损失值。

我相信你是对的，差别不大，如果使用 keras api，唯一的区别就是你编译模型的时候。

例如

model.compile(loss=tf.keras.losses.sparse_categorical_crossentropy)

vs

model.compile(loss=tf.keras.losses.SparseCategoricalCrossentropy())

注意类版本上的额外括号，您需要传入一个类的实例。

【讨论】：

如果我错了，请纠正我。我想可以定义一个对象，例如：loss = SparseCategoricalCrossentropy()，但另一方面你必须照原样使用sparse_categorical_crossentropy，对吧？
没错。我相信更准确地说，编译方法有一些接口，所以它期望“损失”是一个可调用的对象，它需要 2 个参数（logits 和标签）。

【解决方案2】：

没有。如果您查看链接的文档，您可以访问 GitHub 上的源代码。两者都指向同一个对象：

def sparse_categorical_crossentropy(target, output, from_logits=False, axis=-1):
  """Categorical crossentropy with integer targets.

  if not from_logits:
    if (isinstance(output, (ops.EagerTensor, variables_module.Variable)) or
        output.op.type != 'Softmax'):
      epsilon_ = _constant_to_tensor(epsilon(), output.dtype.base_dtype)
      output = clip_ops.clip_by_value(output, epsilon_, 1 - epsilon_)
      output = math_ops.log(output)
      # ... blablabla

在：

tensorflow/python/keras/backend.py

例如，前者 (tf.keras.losses.sparse_categorical_crossentropy) 是这样调用的：

def sparse_categorical_crossentropy(y_true, y_pred, from_logits=False, axis=-1):
  return K.sparse_categorical_crossentropy(
      y_true, y_pred, from_logits=from_logits, axis=axis)

所以它指向tensorflow/python/keras/backend.py中的另一个

【讨论】：