softmax_cross_entropy_with_logits 與 softmax_cross_entropy_with_logits_v2 有何不同？

具體來說，我想我想知道這個說法：

默認情況下，TensorFlow 的未來主要版本將允許梯度流入 backprop 上的標籤輸入。

當我使用tf.nn.softmax_cross_entropy_with_logits. 在同一條消息中，它敦促我查看tf.nn.softmax_cross_entropy_with_logits_v2. 我查看了文檔，但它只指出tf.nn.softmax_cross_entropy_with_logits_v2：

反向傳播將同時發生在 logits 和標籤中。要禁止反向傳播到標籤，請在將標籤張量提供給此函數之前通過 stop_gradients 傳遞標籤張量。

與tf.nn.softmax_cross_entropy_with_logits’s 相反：

反向傳播只會發生在 logits 中。

作為這個主題的新手（我正在嘗試通過一些基本教程），這些陳述不是很清楚。我對反向傳播的理解很淺，但是前面的陳述實際上是什麼意思？反向傳播和標籤是如何連接的？tf.nn.softmax_cross_entropy_with_logits_v2與原版相比，這將如何改變我的工作方式？

你完全有理由感到困惑，因為在監督學習中不需要反向傳播到標籤。它們被認為是固定的基本事實，只需要調整權重以匹配它們。

但在某些情況下，標籤本身可能來自可區分的來源，即另一個網絡。一個例子可能是對抗性學習。在這種情況下，兩個網絡都可能從錯誤信號中受益。tf.nn.softmax_cross_entropy_with_logits_v2這就是引入的原因。請注意，當標籤是佔位符時（這也是典型的），梯度是否通過流動沒有區別，因為沒有變量可以應用梯度。

引用自：https://stats.stackexchange.com/questions/327348