前几节介绍的线性回归模型适用于输出为连续值的情景。在另一类情景中，模型输出可以是一个像图像类别这样的离散值。对于这样的离散值预测问题，我们可以使用诸如softmax回归在内的分类模型。和线性回归不同，softmax回归的输出单元从一个变成了多个，且引入了softmax运算使输出更适合离散值的预测 ...

一、什么是softmax？ 有一个数组S，其元素为Si ，那么vi 的softmax值，就是该元素的指数与所有元素指数和的比值。具体公式表示为： softmax回归本质上也是一种对数据的估计 二、交叉熵损失函数 在估计损失时，尤其是概率上的损失 ...

一、从零开始实现 1.1 首先引入Fashion-MNIST数据集 1.2 初始化模型参数 原始图像中每个样本都是28*28的，所以要展平每个图像成长度为784的向量。 权重784*10，偏置1*10 1.3 定义softmax操作 如果为0则留下 ...

一、 导入 二、初始化参数 三、Softmax的实现 四、优化算法 五、训练 ...

手动实现softmax回归 3.6.1 获取数据 3.6.2 初始化参数模型 输入的fashion_mnist数据是28$\times$28 = 784 个像素的图像，输出10个类别，单层神经网络输出层的个数为10，softmax的权重和偏差数量为 784$\times$10 ...

Softmax回归多分类网络（PyTorch实现） 虽然说深度学习的教程已经烂大街了，基础理论也比较容易掌握，但是真正让自己去实现的时候还是有一些坑。一方面教程不会涉及太多具体的工程问题，另一方面啃PyTorch的英文文档还是有点麻烦。记录一下，就当是作业报告了。 获取数据集 首先导入所需 ...

一、创建数据集 从Fashion-MNIST数据集中引入创建数据，并设置数据迭代器的批量大小为256 import torch from IPython import display fro ...

...