深度学习之softmax回归

前言

           以下内容是个人学习之后的感悟，转载请注明出处~

 

 

softmax回归

　　首先，我们看一下sigmod激活函数，如下图，它经常用于逻辑回归，将一个real value映射到（0,1）的区间（当然也可以是

（-1,1）），这样可以用来做二分类。

                                  

　　接下来，我们再看一下softmax函数，其函数类型如下：

                                                    

 　　那么，softmax又是怎么实现的呢？softmax把一个k维的real value向量（a1,a2,a3,a4….）映射成一个（b1,b2,b3,b4….）

其中bi是一个0-1的常数，然后可以根据bi的大小来进行多分类的任务，如取概率最大的一维。具体实现如下图：

　　无非是把神经网络最后一层的激活函数替换为softmax函数，算出概率值最大的那一类即正确类。

　　其代价函数为L（ý，y）= - ∑ y_j * log( ý_j ) 。

　　实例如下图所示，当代价函数最小时，那一个正确分类的概率输出值最大。

                                             

 

 

　　

 

 

以上是全部内容，如果有什么地方不对，请在下面留言，谢谢~