在分类问题中，交叉熵是经常选用的损失函数（loss）
关于交叉熵的详细解释请看这篇博客：https://blog.csdn.net/tsyccnh/article/details/79163834
在单分类问题中（即one-hot问题），通常使用tf.nn.softmax_cross_entropy_with_logits(logits=,labels=)函数，logits为神经网络最后一层的输出（注意是最后一层神经元的输出，不经过softmax层)，大小为[batchsize,classes]，labels为标签。函数会先对logits进行softmax计算，随后与labels进行交叉熵运算，作为loss。
在多酚类问题中（n-hot），使用sigmoid_cross_entropy_with_logits函数，它与前者的不同在于，会先对logits的每一个class单独进行sigmoid运算（因为是n-hot所以是单独进行），然后在进行cross_entropy运算。
tensorflow机器学习中softmax_cross_entropy_with_logits和sigmoid_cross_entropy_with_logits的比较分析
原文：https://www.cnblogs.com/biandekeren-blog/p/11870944.html