Python深度学习——softmax的概念

最新推荐文章于 2024-08-21 09:48:53 发布

czslxk

最新推荐文章于 2024-08-21 09:48:53 发布

阅读量636

点赞数 1

分类专栏： Python深度学习之pytorch 文章标签： python 深度学习

本文链接：https://blog.csdn.net/weixin_45717457/article/details/104314826

版权

本文详细介绍了softmax函数在深度学习中的应用，包括softmax的基本概念、分类问题、权重矢量、神经网络图、输出问题以及计算效率。softmax将输出转换为概率分布，解决了输出值意义不明确和离散标签误差衡量的问题，且能进行高效计算。

摘要由CSDN通过智能技术生成

softmax的概念

本文主要内容：
1、softmax的基本概念。

softmax的基本概念

1、分类问题
一个简单的图像分类问题，输入图像的高和宽均为2像素，色彩为灰度。
图像中的4像素分别记为x1,x2,x3,x4。
假设真实标签为狗、猫或者鸡，这些标签对应的离散值为y1,y2,y3。
我们通常使用离散的数值来表示类别，例如y1=1,y2=2,y3=3。

2、权重矢量
o1 = x1w11 + x2w21 + x3w31 + x4w41 + b1
o2 = x1w12 + x2w22 + x3w32 + x4w42 + b2
o3 = x1w13 + x2w23 + x3w33 + x4w43 + b3

3、神经网络图
下图用神经网络图描绘了上面的计算。softmax回归同线性回归一样，也是一个单层神经网络。由于每个输出o1、o2、o3的计算都要依赖于所有的输入x1、x2、x3、x4，softmax回归的输出层也是一个全连接层。
在这里插入图片描述
既然分类问题需要得到离散的预测输出，一个简单的办法是将输出值oi当作预测类别是的置信度，并将值最大的输出所对应的类作为预测输出，即输出arg maxoi。例如，如果o1、o2、o3分别为0.1、10、0.1，由于o2最大，那么预测类别为2，其代表猫。