1.tf.nn.softmax( logits, axis=None,name=None,dim=None )
作用：用於做softmax激活，相當於執行：softmax = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), axis)
參數：
- logits：一個非空的Tensor，是softmax之前的類別預測。必須是下列類型之一：half， float32，float64。
- axis：將在其上執行維度softmax。默認值爲-1，表示最後一個維度。
- name：操作的名稱（可選）。
- dim：axis的已棄用的別名。
返回：
一個Tensor，與logits具有相同的類型和shape。
注意：這裏得到的還只是分類的激活值，後面需要手動地與labels計算損失值。
2.tf.nn.sparse_softmax_cross_entropy_with_logits()
作用：用於做softmax激活，並與labels計算交叉損失輸出，即輸出的是損失值。因此涉及的流程包括兩步：
1）計算softmax激活：
2）與樣本標籤做交叉熵：
參數：
- labels：樣本標籤，與logits維度相同，爲[batch,class_num],這裏每一個sample的標籤可以不是one-hot的，如1,2，...，class_num
- logits：是softmax之前的類別預測。
- dim：類維度。默認爲-1，這是最後一個維度。
- name：操作的名稱（可選）。
返回：
做完交叉熵之後的損失向量，要計算總體損失的話，要再接一個tf.reduce_sum或者tf.reduce_mean
3.tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)
作用：用於做softmax激活，並與labels計算交叉損失輸出，即輸出的是損失值。因此涉及的流程包括兩步：
1）計算softmax激活：
2）與樣本標籤做交叉熵：
參數：
- labels：樣本標籤，與logits維度相同，爲[batch,class_num],這裏每一個sample的標籤必須是one-hot的
- logits：是softmax之前的類別預測。
- dim：類維度。默認爲-1，這是最後一個維度。
- name：操作的名稱（可選）。
返回：
做完交叉熵之後的損失向量，要計算總體損失的話，要再接一個tf.reduce_sum或者tf.reduce_mean