Softmax回归

softmax回归学习笔记：
分类问题： 假设数据集图像高和宽均为2像素，色彩为灰度。
例：
数据集真实标签：
狗 y1
猫 y2
鸡 y3

softmax回归模型：
softmax回归和线性回归都需要将输入特征与权重做线性叠加。不同的是，softmax回归的输出值个数等于标签里的类别数。



softmax回归和线性回归一样，都是一个单层神经网络。由于o1,o2,o3的计算于所有输入x1…x4，即softmax的输出层是一个全连接层。

softmax运算：
分类问题需要得到离散的预测输出，将输出值oi当作类别是i的置信度，并将值最大的输出所对应的类作为预测输出，即输出 。例如，如果o1, o2,o3分别为0.1，10，0.1，预测类为2，代表猫。

直接输出层存在的两个问题：
①由于输出值范围的不确定，难以直观上判断这些值的意义。例如：上面输出值10表示“很置信”图像类别为猫，如果o1=o3=1000，输出值10表示猫的概率又很低。
②由于真实标签是离散值，这些离散值与不确定范围的输出值之间的误差难以衡量。

为解决以上问题，通过softmax进行归一化处理：

其中：

容易看出：

---

单样本分类的矢量计算表达式:
假设softmax回归的权重和偏移量参数分别为：

设图像样本i的特征为：
输出层的输出为：
预测为狗、猫和鸡的概率分布为：
softmax回归对样本i分类的矢量计算表达式为：

小批量样本矢量表达式（批量为n，特征数为d，类别数为q）：

交叉熵损失函数:


总结：

1.softmax回归适用于分类问题，使用softmax运算输出类别的概率分布。
2.softmax回归是一个单层的神经网络，输出个数等于分类问题中的类别个数。
3.交叉熵适合衡量两个概率分布的差异。