[reply]luanfei3717[/reply]楼主的式子应该是对应二分类问題y表示的正样本概率的情况，1-y是真是样本为负样本的损失实际代码里二分类和多分类都是用的one_hot处理后的概率矢量，在计算交叉熵或者損失函数时只使用前半部分，在最后使用reduce_sum就能自然得到正确类别的loss值。比如真实类别是0概率[1,0,……,0]，损失函数[loss,0, ……,0]类别是1时概率[0,1,……,0]，损失函数[0,loss,……,0]求和就得到了最终值，并不需要计算（1-yt）log(1-yp)这部分而使用标量表示概率（比如二分类），就需要加上后半部分才能得箌yt=0（意味着类别是负样本）情况的loss值所以一般看到的代码只有前半部分，因为代码中预测概率都是用的矢量表示真实类别label或者y_t都是用嘚one_hot形式