深度学习与Pytorch入门实战(五)分类问题以及优化【数字识别实例】

笔记摘抄

1. 分类问题

1.1 二分类

  • \(f:x\rightarrow p(y=1|x)\)

    • \(p(y=1|x)\): 解释成给定x,求y=1的概率,如果概率>0.5,预测为1;否则,预测为0

    • \(p_{\theta}(y|x)\):给定x,输出预测值的概率

    • \(p_{r}(y|x)\):给定x,真实分布

1.2 多分类

  • \(f:x\rightarrow p(y|x)\)

    • \([p(y=0|x),p(y=1|x),...,p(y=9|x)]\)
  • \(p(y|x)\epsilon [0,1]\)

  • \(\sum_{i=0}^{9}p(y=i|x)=1\)

\[p_i = \frac{e^{a_i}}{\sum_{k=1}^{N} e^{a_k}} \]

2. 交叉熵

2.1 信息熵

  • 描述一个随机事件的不确定性。
\[H(p)=-\sum _{x\epsilon X}p(x)logp(x) \]
  • 描述一个分布,熵越高,随机变量的信息越多。
import torch

a = torch.full([4],1/4.)
print(-(a*torch.log2(a)).sum())               # tensor(2.)

b = torch.tensor([0.1,0.1,0.1,0.7])
print(-(b*torch.log2(b)).sum())               # tensor(1.3568)

c = b = torch.tensor([0.001,0.001,0.001,0.999])
print(-(c*torch.log2(c)).sum())               # tensor(0.0313)

2.2 交叉熵

  • 公式:
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值