本文主要介绍了深度学习中的softmax回归，包括线性回归与softmax回归的区别、独热编码的作用、仿射函数、网络架构、softmax运算及其在概率和似然中的应用，重点解析了softmax函数的数学原理及在交叉熵损失中的角色。通过理解这些概念，有助于更好地理解和应用softmax回归模型。
AI学习目录汇总
1、线性回归和softmax回归的区别
1）连续值与离散值
线性回归模型，适用于输出为连续值的情景。
softmax回归模型，适用于输出为离散值的情景。例如图像类别，就需要对离散值进行预测。softmax回归模型引入了softmax运算，使输出更适合离散值的预测和训练。
2）输出个数
线性回归模型，输出单元为1个，而softmax回归模型输出单元为多个。
2、独热编码（one-hot encoding）
2.1 独热编码是什么？
独热编码（One-Hot Encoding），又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。即，只有一位是1，其余都是零值。独热编码 是利用0和1表示一些参数，使用N位状态寄存器来对N个状态进
订阅专栏 解锁全文
396
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
