Coursera深度学习 Linear classification

本文探讨了多类别分类中传统损失函数的局限,并重点介绍了softmax及其对应的交叉熵损失函数。softmax通过概率分布表示每个样本落入各类别的可能性,而交叉熵则作为衡量预测概率与真实标签之间差异的理想选择。小作业要求计算特定数组的概率分布。
摘要由CSDN通过智能技术生成

多类别分类

 

损失函数

缺陷:

无法进行梯度下降

没有考虑模型对应的confidence

 更合理的损失函数

利用损失函数得到sample被分到每一类对应的可能性

 

Softmax对应的优点:

所有类别的得分对应的权重都大于等于0,而且总和等于1,我们可以将得分转化为概率分布值。

  

 

Cross entropy is minus log of the predicted class probability for the true class. 

 

 小作业: 计算 【1,,2,0.5】对应的权值

#!/usr/bin/env python
# coding=utf-8

from math import * 

def softmax(array):
    total =sum((exp(ele)) for ele in array)
    return [exp(ele)/total for ele in array]
if __name__=='__main__':
    array = [1,-2,0.5]
    print(softmax(array))

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