查看“第一个TF程序:Softmax回归介绍”的源代码
←
第一个TF程序:Softmax回归介绍
跳转至:
导航
,
搜索
因为以下原因,您没有权限编辑本页:
您所请求的操作仅限于该用户组的用户使用:
用户
您可以查看与复制此页面的源代码。
== Softmax回归介绍 == <p>我们知道MNIST的每一张图片都表示一个数字,从0到9。我们希望得到给定图片代表每个数字的概率。比如说,我们的模型可能推测一张包含9的图片代表数字9的概率是80%但是判断它是8的概率是5%(因为8和9都有上半部分的小圆),然后给予它代表其他数字的概率更小的值。</p> <p>这是一个使用softmax回归(softmax regression)模型的经典案例。softmax模型可以用来给不同的对象分配概率。好了,那么概率又是什么东东?你可以把它看作是实现某件事情的可能性,如足彩中,鲁能泰山队赢上海上港的概率为50%,平和输的概率分别为30%、20%。</p> <p>'''softmax回归(softmax regression)分两步:'''</p> <p>'''第一步''':为了得到一张给定图片属于某个特定数字类的证据(evidence),我们对图片像素值进行加权求和,求出的和越大,代表它属于某个数字的证据越大</p> <p>比如说,对于给定的输入图片 x 它代表的是数字 i 的证据可以表示为:</p> <p>[[文件:t1-8.png]]</p> <p>其中j 代表给定图片 x 的像素索引用于像素求和,x<sub>j</sub>代表该像素的像素值(0~1),W<sub>i</sub> 代表权重,, b<sub>i</sub>代表数字 i 类的偏置量,</p> <p如果这个像素具有很强的证据说明这张图片不属于该类,那么相应的权值为负数,相反如果这个像素拥有有利的证据支持这张图片属于这个类,那么权值是正数。而最后我们加入一个额外的偏置量b<sub>i</sub>的原因是,因为输入往往会带有一些无关的干扰量。</p> <p>'''第二步''',我们用softmax函数可以把这些证据转换成概率 y:</p> <p>[[文件:t1-9.png]]</p> <p>这里的softmax可以看成是一个激励(activation)函数或者链接(link)函数,把我们定义的线性函数的输出转换成我们想要的格式,也就是关于10个数字类的概率分布。因此,给定一张图片,它对于每一个数字的吻合度可以被softmax函数转换成为一个概率值。</p> === 总结 === <p>对于softmax回归模型可以用下面的图解释,对于输入的xs加权求和,再分别加上一个偏置量,最后再输入到softmax函数中:</p> <p>[[文件:t1-10.png]]</p> <p>如果我们学过线性代数,也可以把它表示为:</p> <p>[[文件:t1-11.png]]</p> <p></p>
返回至
第一个TF程序:Softmax回归介绍
。
导航菜单
个人工具
登录
命名空间
页面
讨论
变种
视图
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
帮助
工具
链入页面
相关更改
特殊页面
页面信息