우리는 tensorflow에서 softmax로 tf.arg_max (Y, 1)가 필요한 이유는 무엇입니까? 나는 tensorflow 데모를 쓸 때

Question

, 나는 correct_predition

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
      logits=hypothesis,labels=Y)) 
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost) 

correct_prediction = tf.equal(tf.arg_max(hypothesis,1),tf.arg_max(Y,1)) 

의 정의에이 arg_max() 기능을 찾을 수는 텐서의 축에서 가장 큰 값으로 인덱스를 돌려줍니다.는

우리가 최대의 인덱스를 얻을 확률으로 표시하고 있습니다

우리가 'softmax_cross_entropy_with_logits'를 사용하기위한,

예측 (hypothesis) (이 TF에서 API에서입니다) arg_max()에 대한 예측 가능성 hypothesis

그러나 Y은 레이블 입니다. 왜 우리는 사용이 필요하지 않습니다 tf.arg_max(Y,1)?

Answer 1

arg_max (가설)이 INDEX를 반환합니다. Y는 길이 10의 단일 핫 벡터입니다. tf.equal()은 두 가지가 호환되지 않기 때문에 여기서는 아무 것도 할 수 없습니다.

따라서 arg_max (Y)는 INDEX를 반환합니다. 이제 tf.equal()이 의미있는 일을 할 수 있습니다. 예측이 대상과 일치하면 1, 그렇지 않으면 0입니다.

arg_max()는 확률에 대한 함수가 아니며, 가장 큰 요소의 인덱스를 반환하는 함수에 불과합니다.