功能：Computes softmax cross entropy between `logits` and `labels`
`logits` and `labels` must have the same shape, e.g. `[batch_size, num_classes]` and the same dtype (either `float16`, `float32`,or `float64`).
Backpropagation will happen only into `logits`. To calculate a cross entropy loss that allows backpropagation into both `logits` and `labels`, see
? @{tf.nn.softmax_cross_entropy_with_logits_v2}.
_sentinel: Used to prevent positional parameters. Internal, do not use.
labels: Each row `labels[i]` must be a valid probability distribution.實(shí)際的標(biāo)簽。
logits: Unscaled log probabilities.神經(jīng)網(wǎng)絡(luò)最后一層的輸出，如果有batch的話，它的大小就是[batchsize，num_classes]，單樣本的話，大小就是num_classes
dim: The class dimension. Defaulted to -1 which is the last dimension.
name: A name for the operation (optional).
Returns: A 1-D `Tensor` of length `batch_size` of the same type as `logits` with the softmax cross entropy loss.
第一步：先對網(wǎng)絡(luò)最后一層的輸出做一個softmax，這一步通常是求取輸出屬于某一類的概率，對于單樣本而言，輸出就是一個num_classes大小的向量（[Y1，Y2，Y3...]其中Y1，Y2，Y3...分別代表了是屬于該類的概率）
第二步：對softmax的輸出向量[Y1，Y2，Y3...]和樣本的實(shí)際標(biāo)簽做一個交叉熵，公式如下：
顯而易見，預(yù)測越準(zhǔn)確，結(jié)果的值越小，最后求一個平均，得到我們想要的loss。
這個函數(shù)的返回值并不是一個數(shù)，而是一個向量，如果要求交叉熵，要再做一步tf.reduce_sum操作,就是對向量里面所有元素求和，最后才得到，如果求loss，則要做一步tf.reduce_mean操作，對向量求均值
