吴恩达2022机器学习专项课程C2W2:实验SoftMax

目录

  • Softmax函数
    • 1.简述
    • 2.Numpy实现softmax函数
  • softmax成本函数
  • softmax应用于神经网络
    • 1.自定义数据集
    • 2.构建模型
    • 3.使用模型预测
    • 4.改良模型代码(softmax转换输出)

Softmax函数

1.简述

在 Softmax 回归和带有 Softmax 输出的神经网络中,模型生成 N 个输出并从中选择一个作为预测类别。模型通过线性函数生成一个向量 z,然后应用 Softmax 函数将其转化为概率分布。Softmax函数使所有输出值在 0 和 1 之间且总和为 1,从而可以解释为概率。较大的输入值z会对应较大的输出概率。
在这里插入图片描述

2.Numpy实现softmax函数

先把输入向量的每个元素转换成指数e,这是第一步。然后每个指数都要除以指数之和。
在这里插入图片描述
代码实现的是这个过程,向量z包含一层的所有输出,每个输出,都经过softmax函数计算,得到激活向量。在这里插入图片描述
可通过调整每个z值,来观察softmax函数的输出。结果表明,softmax函数的整体输出和为1,Softmax的输出是一组概率分布,每个值都在0到1之间,且总和为 1。一个z值的改变会影响所有的激活值a,而ReLU 或 Sigmoid 等其他激活函数不同,这些函数是单输入单输出的,一个输入只影响一个输出。
在这里插入图片描述

softmax成本函数

softmax的损失函数,y是目标类别,a是softmax函数的输出,注意:损失函数衡量的是一个样本。
在这里插入图片描述
为了编写成本方程,我们需要一个“指示函数”,当第 i 个样本的真实标签为 j 时为 1,否则为 0。
在这里插入图片描述
成本函数计算过程,𝑚是训练样本的数量,𝑁是类别的数量,例如真实标签y有0,1,2,3,则N=4。然后开始计算每个训练样本的损失,N求和公式的内容为:例如第一个训练样本的真实标签y=1,则计算真实标签y=1对应的训练样本的softmax函数值,其它标签不参与计算。第二个训练样本的真实标签y=3,则计算真实标签y=5对应的训练样本的softmax函数值,其它标签不参与计算。这样我们能精准计算每个训练样本的损失,然后累计总和除以平均值,即为成本函数的值。

在这里插入图片描述

softmax应用于神经网络

1.自定义数据集

Tensorflow 中实现 softmax、cross-entropy loss 的两种方法,首先创建数据集,输入样本2个特征,真实标签y也就是分类一共4个0,1,2,3,2000个训练样本。
在这里插入图片描述

2.构建模型

构建模型,模型最终输出一个概率向量。在这里插入图片描述
编译模型的损失函数SparseCategoricalCrossentropy就是这个。
在这里插入图片描述

3.使用模型预测

用训练好的模型预测,第一个输出是个二维数组,它表示预测结果前两行,也就是模型预测第一个和第二个训练样本的分类属于0,1,2,3的概率。第二个输出是预测结果中的最大概率和最小概率。

在这里插入图片描述

4.改良模型代码(softmax转换输出)

输出层设置为线性激活,损失函数有一个额外的参数: from_logits = True 。表示损失函数应在损失计算中包含softmax 操作。这样可以实现计算优化,减小误差。
在这里插入图片描述
输出的内容是离散型数据,有负数正数,它不是概率,而是logits(z),后续还需要拿z进行softmax计算。
在这里插入图片描述
softmax处理,第一行 [2.08e-03, 3.14e-03, 9.61e-01, 3.34e-02] 表示第一个训练样本在各个分类上的概率。第二行 [9.92e-01, 7.37e-03, 1.74e-04, 1.94e-06] 表示第二个训练样本在各个分类上的概率。
在这里插入图片描述

这段代码打印前5个训练样本的分类概率向量。category 输出的是具有最高概率的分类索引。
例如,如果第一个输出中索引2的元素最大,即该元素在概率向量中最大,表示该样本最有可能属于分类2。每个训练样本的概率之和都为1。在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/19479.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

小程序如何更换营业执照

​因为商家经营业务的变更,尤其是之前的营业执照注销等原因,导致要求更换小程序主体。下面就具体介绍如何进行变更。 1. 登录mp.weixin.qq.com,找到设置->基本设置,在主体信息字段,点击小程序主体变更。主体变更分…

【运维项目经历|015】:Nginx Web服务性能提升与优化项目

目录 项目名称 项目背景 项目目标 项目成果 我的角色与职责 我主要完成的工作内容 本次项目涉及的技术 本次项目遇到的问题与解决方法 本次项目中可能被面试官问到的技术性问题 问题1:本次项目的人员配置? 问题2:本次项目的周期&am…

教学基本功包括什么技能有哪些

教师的工作不仅仅是传授知识,更多是引导学生探索,激发他们的创造力。要做到这一点,需要具备一些基本技能。 扎实的专业知识。这是教师的根基,如果教师自己对所教的科目都不熟悉,那么教学就会失去方向。不断学习更新自己…

基于python开发用于深度学习模型训练过程loss值曲线的平滑处理模块

深度学习网络模型的loss曲线是训练过程中非常重要的一个监控指标,它能够直观地反映模型的学习状态以及可能存在的问题。以下是对深度学习网络模型loss曲线的详细介绍: 一、loss曲线的基本概念 在深度学习的训练过程中,loss函数用于衡量模型…

0521_网络编程5

练习1: TFTP通信过程总结 服务器在69号端口等待客户端的请求服务器若批准此请求,则使用 临时端口 与客户端进行通信。每个数据包的编号都有变化(从1开始)每个数据包都要得到ACK的确认,如果出现超时,则需要…

骑车不戴头盔监测摄像机

骑行是一种健康的出行方式,但是在骑行途中不戴头盔存在安全隐患,容易造成头部受伤。为了规范骑行行为,保障骑行安全,可以考虑使用骑车不戴头盔监测摄像机进行监测和识别。这种摄像机可以通过智能识别技术,实时监测骑自…

装机数台,依旧还会心念i5-12600KF的性能和性价比优势:

近几个月的时间中, 装机差不多4台电脑,由于工作需要,计划年中再增添一台。 目前市场上英特尔CPU促销非常火爆,第12代、第13代以及第14代的产品在年中有适当的优惠。 年中也是装机的旺季,各种相关配件也相对便宜一些。…

PS系统教学02

多个图片同时进行打开 在素材库里面选中两张图片,直接拖进PS软件中,此时会显示其中一张。当按下回车键会显示另一张。 当图层过多,需要进行选择,其中某一张图片,按住Ctrl键,进行选择点击,可以移…

制造企业如何通过PLM系统实现BOM管理的飞跃

摘要 在当今快速变化的制造行业中,产品生命周期管理(PLM)系统的应用已成为企业提升效率、降低成本和增强竞争力的关键。本文将探讨PLM系统如何通过其先进的BOM(物料清单)管理功能,帮助制造企业在整个产品生…

idea+tomcat+mysql 从零开始部署Javaweb项目(保姆级别)

文章目录 新建一个项目添加web支持配置tomcat优化tomcat的部署运行tomcatidea数据库连接java连接数据库 新建一个项目 new project;Java;选择jdk的版本;next;next;填写项目名字,选择保存的路径;…

【Linux 网络编程】协议的分层知识!

文章目录 1. 计算机网络背景2. 认识 "协议"3. 协议分层 1. 计算机网络背景 网络互联: 多台计算机连接在一起, 完成数据共享; 🍎局域网(LAN----Local Area Network): 计算机数量更多了, 通过交换机和路由器连接。 🍎 广…

基于 Arm 虚拟硬件的 TinyMaix 超轻量级神经网络推理框架的项目实践

本实验过程中所显示的优惠价格及费用报销等相关信息仅在【Arm AI 开发体验创造营】体验活动过程中有效,逾期无效,请根据实时价格自行购买和体验。同时,感谢本次体验活动 Arm 导师 Liliya 对于本实验手册的共创与指导。 详见活动地址&#xff…

Vue使用axios实现调用后端接口

准备后端接口 首先,我已经写好一个后端接口用来返回我的用户数据,并用Postman测试成功如下: 以我的接口为例,接口地址为:http://localhost:8080/user/selectAll 返回Json为: {"code": "2…

docker制作高版本jdk17镜像踩坑

1、创建目录并下载jdk上传到服务器中 从jdk官网下载jdk17镜像,提示:下载到本地用xftp上传到服务器(速度会快点) jdk官网:https://www.oracle.com/java/technologies/downloads/#graalvmjava21 创建目录,将…

Ubuntu系统编译内核——deb安装 / install安装

摘要 本文简要记录两种编译内核的方法: 打包成deb模块安装(推荐);直接make install安装; 更推荐使用——打包成deb模块安装,因为可以方便的拷贝下次其他机器使用。 1. 编译环境准备 系统:lin…

强化学习——学习笔记3

一、强化学习都有哪些分类? 1、基于模型与不基于模型 根据是否具有环境模型,强化学习算法分为两种:基于模型与不基于模型 基于模型的强化学习(Model-based RL):可以简单的使用动态规划求解,任务可定义为预测和控制&am…

cesium 实现自定义弹窗并跟随场景移动

cesium 添加点位自定义弹窗跟随场景移动 完整代码演示可直接copy使用 1 效果图&#xff1a; 2 深入理解 就是原始点位的数据 id>property 点位真实渲染到球体上的笛卡尔坐标系 id>_polyline 的路径下 可以通过 3 代码示例 <!DOCTYPE html> <html lang"…

【数据分享】2017-2023年全球范围10米精度土地覆盖数据

土地覆盖数据是我们在各项研究中都非常常用的数据&#xff0c;土地覆盖数据的来源也有很多。之前我们分享过欧空局发布的2020年和2021年的10米分辨率的土地覆盖数据,也分享过我国首套1米分辨率的土地覆盖数据&#xff08;均可查看之前的文章获悉详情&#xff09;&#xff01; …

管道液位传感器可以检测哪些液体?

管道液位传感器是一种专门用于检测流动性比较好的液体的传感器装置。它采用光学感应原理&#xff0c;不涉及任何机械运动&#xff0c;具有长寿命、安装方便和微功耗的特点。相比传统机械式液位传感器&#xff0c;光电管道传感器有效解决了低精度和卡死失效等问题&#xff0c;同…

Django 解决 CSRF 问题

在 Django 出现 CSRF 问题 要解决这个问题&#xff0c;就得在 html 里这么修改 <!DOCTYPE html> <html><head></head><body><form action"/login/" method"post">{% csrf_token %}</form></body> </…