原文：https://zh.d2l.ai/chapter_deep-learning-basics/softmax-regression.html

 

1.简介

 

线性回归模型适用于输出为连续值的情景。

在另一些情况下，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，使用诸如softmax回归在内的分类模型。

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和训练。

 

2.分类问题

 

一个简单的图像分类问题，其输入图像的高和宽均为2像素，且色彩为灰度。

这样每个像素值都可以用一个标量表示。

我们将图像中的4像素分别记为x1,x2,x3,x4。

假设训练数据集中图像的真实标签为狗、猫或鸡（假设可以用4像素表示出这3种动物）

这些标签分别对应离散值y1,y2,y3。

我们通常使用离散的数值来表示类别，例如y1=1,y2=2,y3=3。

一张图像的标签为1、2和3这3个数值中的一个。

虽然我们仍然可以使用线性回归模型来进行建模，并将预测值就近定点化到1、2和3这3个离散值之一，但这种连续值到离散值的转化通常会影响到分类质量。

因此我们一般使用更加适合离散值输出的模型来解决分类问题。

 

3.softmax回归模型

 

softmax回归跟线性回归一样将输入特征与权重做线性叠加。

与线性回归的一个主要不同在于，softmax回归的

标签：入门,回归,像素,离散,softmax,图像,线性,MXNet
来源： https://blog.csdn.net/qq_27868061/article/details/117382863