类 CategoricalCrossentropy 与函数 categorical_crossentropy

Question

在 Tensorflow2 中，我可以使用类tf.keras.losses.CategoricalCrossentropy（此处定义）或函数categorical_crossentropy（此处定义）来计算标签和预测之间的交叉熵损失：

对于第一个，代码是：

     loss_object = tf.keras.losses.SparseCategoricalCrossentropy()
     # ...
     @tf.function
     def train_step(samples, labels):
        with tf.GradientTape() as tape:
          predictions = model(samples)
          loss = loss_object(labels, predictions)
        #...

第二个更直接：

   @tf.function
    def forward(features, training=False):
        predictions = model.call(...)
        loss = tf.losses.categorical_crossentropy(
                y_true=features['label'],
                y_pred=predictions)
        return loss, predictions

数值结果是一样的。但是我想知道是否有更有效的方法？或者更一般地说，根据某些特定情况应该使用哪一个？

请注意，对于API 定义的任何类/函数，问题可能都是相同的

Answer 1

来自Keras 文档：

请注意，所有损失都可以通过类句柄和函数句柄获得。类句柄使您能够将配置参数传递给构造函数（例如 loss_fn = CategoricalCrossentropy(from_logits=True)），并且它们在以独立方式使用时默认执行归约（请参阅下面的详细信息）。