前幾節介紹的線性回歸模型適用於輸出為連續值的情景。在另一類情景中，模型輸出可以是一個像圖像類別這樣的離散值。對於這樣的離散值預測問題，我們可以使用諸如softmax回歸在內的分類模型。和線性回歸不同，softmax回歸的輸出單元從一個變成了多個，且引入了softmax運算使輸出更適合離散值的預測 ...

一、什么是softmax？ 有一個數組S，其元素為Si ，那么vi 的softmax值，就是該元素的指數與所有元素指數和的比值。具體公式表示為： softmax回歸本質上也是一種對數據的估計 二、交叉熵損失函數 在估計損失時，尤其是概率上的損失 ...

一、從零開始實現 1.1 首先引入Fashion-MNIST數據集 1.2 初始化模型參數 原始圖像中每個樣本都是28*28的，所以要展平每個圖像成長度為784的向量。 權重784*10，偏置1*10 1.3 定義softmax操作 如果為0則留下 ...

一、 導入 二、初始化參數 三、Softmax的實現 四、優化算法 五、訓練 ...

手動實現softmax回歸 3.6.1 獲取數據 3.6.2 初始化參數模型 輸入的fashion_mnist數據是28$\times$28 = 784 個像素的圖像，輸出10個類別，單層神經網絡輸出層的個數為10，softmax的權重和偏差數量為 784$\times$10 ...

Softmax回歸多分類網絡（PyTorch實現） 雖然說深度學習的教程已經爛大街了，基礎理論也比較容易掌握，但是真正讓自己去實現的時候還是有一些坑。一方面教程不會涉及太多具體的工程問題，另一方面啃PyTorch的英文文檔還是有點麻煩。記錄一下，就當是作業報告了。 獲取數據集 首先導入所需 ...

一、創建數據集 從Fashion-MNIST數據集中引入創建數據，並設置數據迭代器的批量大小為256 import torch from IPython import display fro ...

...