Python人工智能输出方式

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.