1 问题的提出
按照tensorflow官方教程搭建好的一个model中的loss函数应该是采用如下的计算方法：
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
其中，这个公式就是按照标准的交叉熵函数进行定义的，比较简陋，去掉了常数项系数，但是没改变总体的性质，所以算是基本交叉熵函数。
但是呢，tensorflow系统中提供了计算交叉熵函数的接口。
以下这两个函数：
①tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None)
②tf.nn.softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, dim=-1, name=None)
2 两个函数的区别
以上两个函数，①是计算logits和label之间的交叉熵，并且直接给出softmax回归结果，其中要求label输入的格式是：类别，0,1,2,3,4,5,6,7,8,9（10个类的话）
②同样是计算logits和label之间的交叉熵，并给出softmax预测，但是与①的区别就是输入的label的格式必须是：
one-hot类型的变量,[0,0,0,1],[0,0,1,0],[0,1,0,0],[1,0,0,0]（4个类别的话）