以 SparseCategoricalCrossentropy(from_logits=True) 为例，读keras源码，发现 losses.py 中定义的 SparseCategoricalCrossentropy 实际上调用的是 backend.py 中的 sparse_categorical_crossentropy 函数，代码当中有如下一段：

elif not from_logits:
    epsilon_ = _constant_to_tensor(epsilon(), output.dtype.base_dtype)
    output = tf.clip_by_value(output, epsilon_, 1 - epsilon_)
    output = tf.math.log(output)

也就是说，如果 from_logits=False (即输出层是带softmax激活函数的)，那么其结果会被clip在 [epsilon_, 1 - epsilon_] 的范围之内。这是由于简单的softmax函数会有数值溢出的问题 （参见 softmax溢出问题）。因此如果是先计算softmax再计算cross-entropy，那么要通过clip防止数据溢出问题。

而如果设置 from_logits=True，那么模型会将 softmax和cross-entropy 结合在一起计算，即 softmax溢出问题 中的公式：
$$\begin{array}{rl}\text{log}(\widehat{y_j})& =\text{log}(\frac{e^{x_j-x^{\ast }}}{{\sum }_{i=1}^n{e}^{x_i-x^{\ast }}})\\ & =(x_j-x^{\ast })-\text{log}(\sum _{i=1}^n{e}^{x_i-x^{\ast }})\end{array}$$

这样可以更好的解决softmax的溢出问题。因此 设置 from_logits=True 一般会比 from_logits=False 数值稳定性更强。（如果计算过程中没用遇到过大或过小的数值，那么两者就没有什么区别）