二分类任务中能否用tf.nn.softmax_cross_entropy_with_logits解决负熵问题？

嘿，我一眼就看到你代码里的一个关键错误，这应该就是你得到负交叉熵值的核心原因！

1. 先修正你当前的代码问题 #

你调用tf.nn.sigmoid_cross_entropy_with_logits时把labels和logits的参数顺序搞反了！这个函数的定义是用labels传入真实标签，logits传入模型输出的原始未激活值，而你现在写的labels=y, logits=y_完全颠倒了——y是模型的输出（logits），y_才是真实标签。

正确的写法应该是：

cross_entropy = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y_, logits=y))

参数顺序纠正后，你应该就能得到正常的正交叉熵值了。毕竟交叉熵是衡量两个概率分布的差异，正常情况下不可能为负，你的负值完全是参数传反导致的计算逻辑错误。

2. 关于用tf.nn.softmax_cross_entropy_with_logits替代的问题 #

能不能用这个函数，得看你的二分类场景类型：

• 如果是单标签二分类（比如每个样本只能是A或B中的一个，非此即彼）：可以用，但需要调整模型和标签格式：
  • 输出层的Labels要设为2（对应两个类别）
  • 真实标签y_需要是one-hot编码形式（比如类别0用[1, 0]表示，类别1用[0, 1]表示）
• 如果是多标签二分类（比如一个样本可以同时属于多个类别，比如一张图里既有猫又有狗）：绝对不能用softmax_cross_entropy_with_logits！因为softmax会强制所有类别的概率和为1，这不符合多标签场景中每个类别独立判断的逻辑，这种情况下必须用sigmoid_cross_entropy_with_logits。

3. 额外建议 #

对于普通的单标签二分类，其实sigmoid_cross_entropy_with_logits更简洁：你只需要把输出层维度设为1，真实标签用0或1的数值即可，不需要做one-hot编码，计算效率也更高。

内容的提问来源于stack exchange，提问作者python