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:在这里插入图片描述
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。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
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。
在这里插入图片描述
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:
在这里插入图片描述
其中:
在这里插入图片描述
容易看出:
在这里插入图片描述
在这里插入图片描述


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:
在这里插入图片描述
设图像样本i的特征为:在这里插入图片描述
输出层的输出为:在这里插入图片描述
预测为狗、猫和鸡的概率分布为:在这里插入图片描述
softmax回归对样本i分类的矢量计算表达式为:在这里插入图片描述
在这里插入图片描述
小批量样本矢量表达式(批量为n,特征数为d,类别数为q):在这里插入图片描述在这里插入图片描述

交叉熵损失函数:
在这里插入图片描述
在这里插入图片描述
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。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    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 1
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

打赏作者

qinnt

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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