为什么 "softmax_cross_entropy_with_logits_v2" 反向传播到标签中
Why "softmax_cross_entropy_with_logits_v2" backprops into labels
我想知道为什么在 Tensorflow 1.5.0 及更高版本中，softmax_cross_entropy_with_logits_v2 默认反向传播到标签和 logits。有哪些 applications/scenarios 您想反向传播到标签中的地方？
我看到下面的 github 问题问了同样的问题，您可能希望在以后的更新中关注它。
https://github.com/tensorflow/minigo/issues/37
我不代表做出此决定的开发人员，但我推测他们会默认这样做，因为它确实经常使用，并且对于大多数不反向传播到标签的应用程序，无论如何，标签都是常量，不会受到不利影响。
反向传播到标签的两个常见用例是：
- 创建对抗样本
整个研究领域都围绕着构建欺骗神经网络的对抗样本展开。许多用于这样做的方法涉及训练网络，然后固定网络并反向传播到标签（原始图像）以调整它（通常在某些约束下）以产生愚弄网络错误分类图像的结果。
- 可视化神经网络的内部结构。
我还建议人们在 youtube 上观看 deepviz 工具包视频，你会学到很多关于神经网络学习的内部表示的知识。
https://www.youtube.com/watch?v=AgkfIQ4IGaM
如果您继续深入研究并找到原始论文，您会发现它们还会反向传播到标签中以生成图像，这些图像会高度激活网络中的某些过滤器以便理解它们。
我想知道为什么在 Tensorflow 1.5.0 及更高版本中，softmax_cross_entropy_with_logits_v2 默认反向传播到标签和 logits。有哪些 applications/scenarios 您想反向传播到标签中的地方？
我看到下面的 github 问题问了同样的问题，您可能希望在以后的更新中关注它。
https://github.com/tensorflow/minigo/issues/37
我不代表做出此决定的开发人员，但我推测他们会默认这样做，因为它确实经常使用，并且对于大多数不反向传播到标签的应用程序，无论如何，标签都是常量，不会受到不利影响。
反向传播到标签的两个常见用例是：
- 创建对抗样本
整个研究领域都围绕着构建欺骗神经网络的对抗样本展开。许多用于这样做的方法涉及训练网络，然后固定网络并反向传播到标签（原始图像）以调整它（通常在某些约束下）以产生愚弄网络错误分类图像的结果。
- 可视化神经网络的内部结构。
我还建议人们在 youtube 上观看 deepviz 工具包视频，你会学到很多关于神经网络学习的内部表示的知识。
https://www.youtube.com/watch?v=AgkfIQ4IGaM
如果您继续深入研究并找到原始论文，您会发现它们还会反向传播到标签中以生成图像，这些图像会高度激活网络中的某些过滤器以便理解它们。