北京公司注册在哪个网站,浏览器打开网址404,周末游做的好的网站,竞价推广账户竞价托管x.1 Multiclass多分类问题
对于分类问题#xff0c;往往指的是二分类问题#xff0c;而对于二分类的decision boundary较为简单#xff0c;而实际生活中会有很多问题是多分类问题#xff0c;例如MNIST手写数字识别#xff0c; 从特征空间上来看#xff0c;二分类和多分类…x.1 Multiclass多分类问题
对于分类问题往往指的是二分类问题而对于二分类的decision boundary较为简单而实际生活中会有很多问题是多分类问题例如MNIST手写数字识别 从特征空间上来看二分类和多分类的区别在于边界函数的不同但是表现在实际的神经网络的代码中只是最后一层采用的激活函数不同从sigmoid变成了softmax函数即从将负无穷到正无穷映射到01变成了映射到一个总和为1的概率中。
请注意激活函数层并没有可学习参数一些ReLU变体可能有少量可学习参数。
我们来看一下将softmax和全连接层结合使用在具体实现中如果你有4个类别则softmax会有四个可学习weight和bias他们分别输出4个不同的数值向量a将这四个输出的输出进行处理变为4个元素总和为1的概率向量b这里的概率向量b就是softmax最后的输出。但这里其实容易让人误导即我们使用全连接层产生了4个输出向量a我们将a变为b这个过程才叫softmaxsoftmax层本身并没有可学习参数。 我们再讲一个softmax的损失函数即等于该类别正确时的-log是MSE估计出来的如下 从神经网络上再来区分一下二分类和多分类上面是二分类下面是多分类 在代码实现上我们将Dense层和Softmax一块使用但要注意softmax并没有可学习参数 但是我们为何要将最后一层的总和一定要是1呢不是1我们也能分类呀而且精度更高于是将最后一层换成Linear我们仍然可以多分类
