1.softmax回归

        Softmax回归（Softmax Regression）是一种常见的多分类模型，可以用于将输入变量映射到多个类别的概率分布中。softmax回归是机器学习中非常重要并且经典的模型，虽然叫回归，实际上是一个分类问题

 1.1分类与回归

        回归是估计一个连续值，分类是预测一个连续的类别

 示例：

 1.2从回归到多类分类

 区别：分类问题从单输出变成了多输出，输出个数为类别个数

 注：类别可能是一个数，也可能是一串字符串（例如A类，1类等）

一位有效编码：规定的在一个位置上，其值为0或者1,1表示有效，0表示无效，有效的那一位为1，其余位全为0。

1.2.1无校验比例

 不关心置信度的值是多少，只关心正确类别的置信度的值要远远高于其他非正确类的置信度。

1.2.2校验比例

 

 1.2.3softmax和交叉熵损失

 注：一般来说使用真实概率与预测概率的区别来作为损失

不关心非正确类的预测值，只关心正确类的预测值有多大

1.2.4总结

        softmax回归是一个多分类分类模型

        使用softmax操作得到每个类的预测置信概率，非负且和为1

2.损失函数

        损失函数——用来衡量预测值和真实值之间的区别。

 2.1常用损失函数

2.1.1 L2 Loss（均方损失）

 

 

 注：当y和y‘ 相距比较远（横轴到零点的距离越远），梯度越大，对参数的更新越多，更新的幅度越大，反之亦然。

2.1.2 L1 Loss（绝对值损失函数）

 

 2.1.3 Huber’s Robust Loss（Huber 鲁棒损失）

 

 3.图片分类数据集

实际操作和代码见链接

3.5. 图像分类数据集 — 动手学深度学习 2.0.0 documentation