共计 490 个字符，预计需要花费 2 分钟才能阅读完成。
Softmax 回归模型
1. 逻辑回归与 Softmax 回归，后果值的计算比拟
2. 逻辑回归与 Softmax 回归，代价函数（cost funciont）的比拟
损失函数
3. 神经网络中 Softmax 的输入
Softmax 和其余函数的区别是它可能一次性算出 a_1 到 a_10 的所有概率，而其余函数一次只能算一个 a_j
3. 数字的舍入谬误
通过应用上面的表达式来示意损失函数，它为 TensorFlow 提供了更多的灵活性，如何计算这个以及它是否要显式地计算 a.
这里给出了能够用于此操作的代码，它的作用就是：设置输入层，只应用线性激活函数，把激活函数以及穿插熵损失（cross entropy loss）都封装进了这里非凡的损失函数里，这就是 from_logits=True 在 TensorFlow 的作用，如果你想晓得 logits 是什么，它根本就是这个数字 z,TensorFlow 会把 z 作为两头值来计算，但它能够重新整理这些项，使计算更准确。能够让 TensorFlow 的数字舍入误差小一点。
更加准确
线性回归
逻辑回归
总结：把本在模型中的 softmax 激活函数放到 cost 函数中
目标：开展运算，让计算机自行优化，进步精度
正文完