| 时间 | 版本 | 修改人 | 描述 |
|---|---|---|---|
| 2023年11月15日11:17:27 | V0.1 | 宋全恒 | 新建文档 |
简介
softmax分享可以参考什么是softmax
回归估计一个连续值，分类预测一个离散类别。
恶意软件的判断
回归和分类
分类可以认为从回归的单输出变成多输出
B站学习
softmax回归
使用softmax回归，解决多分类问题，softmax回归模型。
使用矩阵计算线性输出O
通过softmax计算概率：
y值较大的概率属于相应类别的概率更高。
具体的计算过程如下图:
总结来说，softmax函数不会改变线性输出o之间的大小顺序，只会为每个类别分配相应的概率。softmax回归模型简介高效，只需要一次就能输出所有类别概率。
增加新的类别，产生较高的成本，以你为会影响所有的类别的概率。
softmax 回归+ 损失函数 + 图片分类数据集
均方损失训练。
Softmax
y ^ = a r g m a x o i \widehat { y } = a r g m a x o _ { i } y =argmaxoi
关注的不是o的输出，而是关注相对距离。
指数的好处，是具有非负性。
一般衡量两个概率的区别，使用交叉熵
对真实类别的预测值，求其-log。
注： 上图是非常关键的，在计算交叉熵的时候，由于对应每个样本只有一个真实类别值为1，其他均为0，这样求和就可以表示为只有预测值的取log后，再取负数即可。
总结：
-
softmax回归是一个多类分类模型。
-
使用Softmax操作子得到每个类的预测置信度
-
使用交叉熵来衡量预测和标号的区别。
损失函数
损失函数是预测值和真实值的区别。
均方损失
1/2是为了求导时处理掉倍数。
在负梯度方向更新参数。
L1 loss
绿色的线是似然函数。
Hubers Robust Loss
当我预测值和真实值比较远时候，梯度是比较均匀的力度在靠近
图像数据集
MNIST数据集是图像分类中广泛使用的数据集之一，但作为数据集过于简单。我们可以使用Fashin-MNIST作为数据集。
测试数据集用来验证模型的好坏
几个样本图像及相应的特征
读取进程数，来读取图像。shuffle，打乱顺序。
读一次数据要1.72秒。读取数据的速度。
完整代码，定义load_data_fashion_mnist函数
softmax回归从零开始实现
将展平每个图像，将它们视为784的向量，数据集一共10个类别，所以网络输出维度为10。
矩阵求和，维度等于0，将压缩成行详列。按照维度为1，将变成一个列向量。
实现softmax。
注： 对一个矩阵求softmax，相当于对其中的每一行求softmax，因为行数其实相当于样本数量了。也就是按照维度为1进行计算。
上述广播机制的含义是用矩阵的第i行，除以partition向量中的第i个值。
第一行是生成一个均值为0，方差为1的2行5列的矩阵。
由结果，可以看出，每行的和为1，而且都是为正值。
计算交叉熵
其中[0.1, 0.3, 0.6]是第一个样本的预测值。 y则表示两个样本的真实标签，第一个样本真实标签为0， 第二样本真实标签为2.
拿出0号样本和1号样本对应真实标签的预测值。y[1]为2，代表真实标签为2，然后取出预测为2的概率，即0.5。稍微有一点绕。在y_hat[[0,1], y]中[0, 1]代表了序号，即y向量中0号位和1号位的值，代表了真实的标签。y_hat则表示了对应这些类别的预测值。
实现交叉熵损失函数
计算预测准确的
找出预测正确的样本数。
任意模型在数据迭代器的准确率
累加器
softmax回归的训练
进行预测
softmax简介实现
总结
softmax基本上是在多分类问题中，将输出概率化的操作子。在神经网络中，作为最后一层进行的。其中交叉熵的理解反而不太好。
cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=layer_fc2, labels=y_true)
cost = tf.reduce_mean(cross_entropy)
optimizer = tf.train.AdamOptimizer(learning_rate=1e-4).minimize(cost)
correct_prediction = tf.equal(y_pred_cls, y_true_cls)
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
session.run(tf.global_variables_initializer())
上述为在TF中使用交叉熵来获取准确率的样例代码，可以看到correct_prediction为一组向量[True, False, False, …]强制转化为tf.float32之后求平均，就相当于求出了准确率。
上图理解的关键是损失函数，其中y = [0, 0, …, 1, 0, 0]只有一个1，其他全为0，为1的索引为真实的类别标签。而y_hat = [0.1, 0.1, …, 0.3, 0.1, 0.1]都是一组预测的概率，这样在计算时，只要去取真实标签的预测值求-log即可得到该样本的损失。这相当于一个样本的误差。
不懂的东西太多了，之后买一本《动手学深度学习》好好看吧
最近有的时候很恐慌，因为在我的组里优秀的人很多，大家都在写论文什么的，自己呢深度学习比较浅显，就有点尴尬，其实一种治疗恐慌焦虑的方式就是深刻的意识到，知难则行易，知易则行难。所以别多想了，学就是了，另外如果担心做的贡献少的话，那就有多大能力做多少事情，做自己力所能及的所有事情，不要偷懒，认真学习就好了。2023年就要过去了，希望自己越来越好吧。希望每个读者都能够远离恐慌，规划好自己的人生，不要做错事，走错路，好好享受属于自己的人生。希望每段人生都是充实的，圆满的也。感恩一下。
