softmax_cross_entropy_with_logits与softmax_cross_entropy_with_logits_v2有何不同？

具体来说，我想我对此语句感到疑惑：

TensorFlow的未来主要版本默认将允许梯度流入backprop上的标签输入中。

使用时会显示出来tf.nn.softmax_cross_entropy_with_logits。在同一封信中，它敦促我看看tf.nn.softmax_cross_entropy_with_logits_v2。我浏览了文档，但只说明了tf.nn.softmax_cross_entropy_with_logits_v2：

反向传播将同时出现在logit和标签中。要禁止反向传播到标签中，请在将标签张量馈入此函数之前将其张量传递给stop_gradients。

而不是tf.nn.softmax_cross_entropy_with_logits：

反向传播只会在logit中发生。

对于该主题来说是一个新手（我正在尝试通过一些基本教程进行学习），这些陈述并不十分清楚。我对反向传播有一个较浅的了解，但是前面的陈述实际上是什么意思？反向传播和标签如何连接？与tf.nn.softmax_cross_entropy_with_logits_v2原始作品相比，这将如何改变我的工作方式？

您完全有理由感到困惑，因为在监督学习中，不需要向后传播标签。它们被认为是固定的地面真理，仅需要调整权重以匹配它们。

但是在某些情况下，标签本身可能来自其他来源，即另一个网络。对抗学习就是一个例子。在这种情况下，两个网络都可以从错误信号中受益。这就是为什么tf.nn.softmax_cross_entropy_with_logits_v2要引入的原因。请注意，当标签为占位符（也是典型的）时，是否通过梯度不存在差异，因为没有变量可应用梯度。