TensorFlow中常见的分类函数主要有sigmoid_cross_entropy_with_logits、softmax、log_softmax、softmax_cross_entropy_with_logits等，它们也主要定义在tensorflow-1.1.0/tensorflow/python/ops的nn.py和nn_ops.py文件中。
tf.nn.sigmoid_cross_entropy_with_logits(logits, targets, name=None)
tf.nn.softmax(logits, dim=-1, name=None)
tf.nn.log_softmax(logits, dim=-1, name=None)
tf.nn.softmax_cross_entropy_with_logits(logits, labels, dim=-1, name=None)
tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name=None)
下面我们就逐一讲解。
（1）tf.nn.sigmoid_cross_entropy_with_logits(logits, targets, name=None)：
def sigmoid_cross_entropy_with_logits(logits, targets, name=None):
# 输入：logits:[batch_size, num_classes],targets:[batch_size, size].logits用最后一
# 层的输入即可
# 最后一层不需要进行sigmoid运算，此函数内部进行了sigmoid操作
# 输出：loss [batch_size, num_classes]
这个函数的输入要格外注意，如果采用此函数作为损失函数，在神经网络的最后一层不需要进行sigmoid运算。
（2）tf.nn.softmax(logits, dim=-1, name=None)计算Softmax激活，也就是softmax = exp(logits) / reduce_sum(exp(logits), dim)。
（3）tf.nn.log_softmax(logits, dim=-1, name=None)计算log softmax激活，也就是logsoftmax = logits - log(reduce_sum(exp(logits), dim))。
（4）tf.nn.softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, dim=-1, name =None)：
def softmax_cross_entropy_with_logits(logits, targets, dim=-1, name=None):
# 输入：logits and labels 均为[batch_size, num_classes]
# 输出： loss:[batch_size], 里面保存的是batch中每个样本的交叉熵
（5）tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name=None) ：
def sparse_softmax_cross_entropy_with_logits(logits, labels, name=None):
# logits是神经网络最后一层的结果
# 输入：logits: [batch_size, num_classes] labels: [batch_size]，必须在[0, num_classes]
# 输出：loss [batch_size]，里面保存是batch中每个样本的交叉熵