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