tf.nn.softmax_cross_entropy_with_logits(labels,logits)这个方法是最大似然函数，也是损失函数；

这个函数有两个主要的参数，一个是标签，一个是最后全连接层输出的结果；注意这两个参数的维度必须一致！

标签一般都是用ont-hot热码，什么是ont-hot，自己百度，很简单的

如果是3类，那么就是  [0,0,1] [0,1,0] [1,0,0]  ont-hot只有0和1 而且只有用ont-hot表示只有一个1

一个音频文件或者一张图片，经过卷积层或者全连接层以后会得到一个logits

求损失函数是将这个文件的真实标签与最后输出的logits进行比较的，怎么比较呢？

比如总共三类，而这个音频文件对应标签是第三类[1,0,0]，那么labels就是[1,0,0]

经过深度网络以后得到的logits=[5.0,7.0,8.0] 

标签   [1,0,0]

输出数据  [5.0,7.0,8.0]

输出数据中哪个位置的数据最大就属于哪一类，我们是8最大，应该属于第一类，但是现在是反的，实际是第三类，对应的是5！这个误差很大，所以经过tf.nn.softmax_cross_entropy_with_logits(labels,logits)这个方法得到的值很大！真实标签与预测标签的值大相径庭

我们得到的损失值3.34

如果Logit是[8,5,7]呢？ 最大的值是8，对应的位置正好是1，说明预测文件类型与真实标签类型一致，误差值应该很小，我们运行程序看看

得到的损失值为0.349

如果logits为[7,5,8]呢？最大的值8对应的是0，显然预测错误，但是第二大的是7,7对应的是1，是真实的标签，误差肯定比3.34小

误差值为1.34

我们要理解这个函数是干嘛的？

labels是对应文件真实标签的热码形式

logits是我们的神经网络预测的结果，哪个位置的值最大，就代表哪一类（当然是我们神经网络预测的结果）

 tf.nn.softmax_cross_entropy_with_logits(labels,logits)就是将真实标签与预测标签进行对比，如果一致那么误差越小，如果不一致，那么在logits中真实标签对应位置的值在所有值中的大小，如果是第二大的话，那么误差也很小，如果是最小的，误差最大！