输出方式不同的原因
因为不同的应用可能会有不同的输出范围的一个要求,对于一些简单的应用他们一般要求输出方式是在[0,1]的一个范围,而对于一个多分类的输出,他不但要求的输出范围是在[0,1]的一个范围,而且还要求输出和为1,还有某些应用的输出方式是在[-1,1]之间,以及各种各样的要求。
下面是tensorflow中常用的几种输出方式:
[0,1]的输出方式
[0,1]的输出方式一般适用于二分类的问题,就是类似于猫狗识别,当这个输出的值大于0.5就把它判定为1,小于0.5就把它判定为0,向类似这样的问题就适用于[0,1]输出,还有就是在一个问题中,大类包括小类,每个事物的存在都是包容的,不是互相独立的。
这个输出会用到的函数sigmoid函数,它会把输出的数全部压缩到[0,1]的范围里面。具体操作如下:
a=tf.linspace(-6,6,10)
print(a)
b=tf.sigmoid(a)
print(b)
效果如上,首先我使用linspace函数建立一个-6到6有10个数据的向量,然后通过sigmoid函数对其进行压缩即可。
[0,1]的输出,并且要求输出和为1
但是对于一个多分类的问题,比如一个手写数字识别问题,它的每一个输出是互相排斥的,所以我们不但得把每一个数字给压缩到[0,1]中,还需要让压缩后的数据和为1 才行,因为他们每个数字是互相排斥的。
这里我们就要使用另外一个函数softmax,具体操作如下:
a=tf.linspace(-6,6,10)
print(a)
b=tf.sigmoid(a)
print(b)
c=tf.nn.softmax(b)
print(c)
print(tf.reduce_sum(c,axis=0))#对c中所有的数据求和
如上图所示,这就是softmax函数。最后的和在1附近。
最后如果应用要求的是[-1,1]范围内,那么我们还可以使用一个函数就是tanh函数.