【深度学习】softmax回归模型(上)

softmax回归

一：分类问题

softmax回归跟线性回归一样将输入特征与权重做线性叠加。与线性回归的一个主要不同在于，softmax回归的输出值个数等于标签里的类别数。
这里我们可以考虑一个简单的图像分类问题，假设输入图像高和宽均为2像素，色彩为灰度。我们将图像中的4像素分别记为X1，X2，X3，X4。假设训练数据集中图像的真实标签为数字1，2，3（假设可以用4像素表示出这3种数字），这些标签分别对应离散值y1,y2,y3。如此，一张图像的lable为1，2和3这些数值中的一个。
这里可参照之前的一篇博文：基于MXNet框架实现手写字体识别

二：softmax回归模型

softmax回归的输出值个数等于标签里的类别数。因为一共有4种特征和3种输出数字类别，所以权重包含12个标量(带下标的w),偏差包含3个标量(带下标的b),每个输入计算出O1，O2，O3这三种输出。

三：模型实现

1.首先导入本节实现所需的包或模块

（备注：以下代码实现基于MXNet框架）

import d2lzh as d2l
from mxnet import autograd, nd

这里使用到d2lzh包，需要提前安装好。

2.获取数据

batch_size = 256
train_iter