線性回歸是一種回歸演算法，根據當前資料去學習直線的兩個引數。可以用輸入特徵維度為2輸出為1的單層神經網路來實現。線性回歸模型適⽤於輸出為連續值的情景
softmax回歸，是一種分類方法，模型輸出可以是⼀個
像影象類別這樣的離散值。對於這樣的離散值**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
算使得輸出更適合離散值的**和訓練。
softmax 回歸跟線性回歸⼀樣將輸⼊特徵與權重做線性疊加。與線性回歸的⼀個主要不同在於，
softmax 回歸的輸出值個數等於標籤⾥的類別數。
softmax 回歸同線性回歸⼀樣，也是⼀個單層神經⽹絡。
由於每個輸出o1; o2; o3 的計算都要依賴於所有的輸⼊x1; x2; x3; x4，softmax 回歸的輸出層也是
⼀個全連線層。
交叉熵損失函式：
使⽤softmax 運算後可以更⽅便地與離散標籤計算誤差。我們已經知道，softmax 運
算將輸出變換成⼀個合法的類別**分布。實際上，真實標籤也可以⽤類別分布表達：對於樣本
交叉熵損失函式是乙個用來衡量兩個概率分布差異的測量函式。
線性回歸 Softmax與分類模型 多層感知機
主要內容包括 1.線性回歸的基本要素 2.線性回歸模型從零開始的實現 3.線性回歸模型使用pytorch的簡潔實現 為了簡單起見，這裡我們假設 只取決於房屋狀況的兩個因素，即面積 平方公尺 和房齡 年 接下來我們希望探索 與這兩個因素的具體關係。線性回歸假設輸出與各個輸入之間是線性關係 price ...
線性回歸 Softmax與分類模型 多層感知機
一.線性回歸 主要內容包括 1.線性回歸的基本要素 2.線性回歸模型從零開始的實現 3.線性回歸模型使用pytorch的簡潔實現 線性回歸的基本要素 模型為了簡單起見，這裡我們假設 只取決於房屋狀況的兩個因素，即面積 平方公尺 和房齡 年 接下來我們希望探索 與這兩個因素的具體關係。線性回歸假設輸出...
Softmax回歸練習
整個流程包括以下四部分 1 定義演算法公式，也就是神經網路的forward時的計算 y softmax w.tx b 2 定義損失函式 h y y log y 並制定優化器 梯度下降 3 迭代的對資料進行訓練 4 在測試集或驗證集上對準確率進行評測 import tensorflow as tf 匯...