关于cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits的思考

今天在学习过程中产生了一个小疑问，现记录如下：

在利用TensorFlow搭建图像分类器中  cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits（），
这个函数把交叉熵和softmax函数写在一起，是可以提高运算速度吗？还是仅仅把减少代码行数呢？

我以前的做法是先用softmax求出需要被识别的物体在每个类别的概率，再计算交叉熵。

因为softmax层并不会改变最终的分类结果（排序），所以tensorflow将softmax层与交叉熵函数进行封装，形成一个函数方便计算：tf.nn.softmax_cross_entropy_with_logits（logits= , labels=）。

但是我刚刚说的函数在这基础上多了一个sparse。

我的理解是原本是拿独热码计算比如要识别的东西是第5个，就是000010（这是没有sparse的情形）

然后有了sparse的话就是5，是直接用标签计算交叉熵所以可以加速计算进程，不过这样应该只适用于只有一个分类结果的情形。