sotfmax的通俗理解

借着上一篇对sigmoid的理解，将sotfmax替换成sigmoid便可！区别在于sotfmax解决的是多分类问题。

先来看几个重要的关键点：

一、sotfmax 是在一堆数值里面取最大数的几率。如tf.nn.softmax([1.0, 3.0, 4.2, 2.6])，返回的结果是[0.02640291 0.19509259 0.64773005 0.13077445]。意思是在这个数组里，取到4.2的几率是0.6477。1.0是里面最小的，能取到的几率也是最小的。

二、假设上面一组数据是猫的特征，如今又有一组数据[8.0, 9.2, 7.6, 6.0]，这个是狗的特征数据，经过sotfmax计算的结果是[0.19509259 0.64773005 0.13077445 0.02640291]，在这里对比猫的特征数据结果，猫的是第三位数0.6477的几率最大，狗的是第二位0.6477最大，这样的话咱们能够区别两个动物了。再给一组数据，若是计算结果是第二位数最大，那咱们就能够判断它是狗，第三位数最大的话就判断是猫，若是是第一位呢或最后一位？那就是划为另外一个新动物了，这个数组有四个数，就能够进行四个分类。分类是否准确先不说，至少能够区别。

三、tensorflow里有个函数tf.nn.sotfmax_cross_entropy_with_logits(logits=logit,labels=label)。logits是上面的特征数据[1.0, 3.0, 4.2, 2.6] , 那labels就是真实的分类，是猫就能够表示为[0，0，1，0]，狗就是[0,1,0,0]。第二个位置是1，表示是狗，第三个位置是1，表示是猫。tf.nn.sotfmax_cross_entropy_with_logits函数先将特征进行sotfmax运算，再和label作交叉熵运算，获得的结果就是它们的差别值。logits与labels必须是相同的shape，由于它们都表明的是几率，要相互比较。

四、如今分四类，labels就是一组四个元素的数组，可是个人样本数据里包括不少项内容，若有毛发，牙齿，眼睛，身高，体重这五项特征，logits与lables的shape又要同样，怎么办？还记得上一篇的sigmoid中有涉及到一个线性方程 F = W*X +B 吗？，这时W就起做用了，假设有10个样本，X是一个10*5的数组[ [a0,b0,c0,d0,e0],[a1,b1,c1,d1,e1],......[a9,b9,c9,d9,e9]]，此时，咱们定义W为一个5*4的矩阵，W*B的结果就是一个10*4的矩阵的。lalels也是一个10*4的矩阵，[[0,0,1,0],[0,1,0,0],......]。注意，每一个[0,1,0,0]这样的数组里面的数加起来必须为1，由于它表明的是几率，也能够表示为[0.1,0.2,0.6,0.1]，可是这个labels是咱们知道的真实标签，这个百分之百就是猫，因此[0,0,1,0]的第三位直接用1表示。