Softmax分类器及交叉熵损失

在说分类器前我们先了解一下线性分类

线性函数y = kx + b ，在对于多种类别、多个特征时可将W看做一个矩阵，纵向表示类别，横向表示特征值，现在有3个类别，每个类别只有2个特征

线性分类函数可定义为：

我们的目标就是通过训练集数据学习参数W，b。一旦学习完成就可以丢弃训练集，只保留学习到的参数。

损失函数是用来告诉我们当前分类器性能好坏的评价函数，是用于指导分类器权重调整的指导性函数，通过该函数可以知道该如何改进权重系数。通俗都来说一组参数（W,b）对应一个损失L，一般的损失越小模型越好，我们目标是通过各种优化，使损失达到最优值（不一定最小是最优的）。

常见的损失函数：

现在通过百叶损失对前面线性分类求损失：

$L_{i}=\sum \max \left(0, s_{j}-s_{y i}+\Delta\right)=\max (0,0.67-0.77+1)+\max (0,2.3-0.67+1) =\max (0,0.9)+\max (0,1.97)=2.87$

函数定义:

简单的说,softmax函数会将输出结果缩小到0到1的一个值，并且所有值相加为1

使用softmax函数对前面线性分类求得分

类别1 ：

$y_{0}=\frac{e^{0.77}}{e^{0.77}+ e^{0.67}+e^{0.23}} = 0.21$

类别2 ：

$y_{0}=\frac{e^{0.67}}{e^{0.77}+ e^{0.67}+e^{0.23}}=0.18$

类别3 ：

$y_{0}=\frac{e^{2.3}}{e^{0.77}+ e^{0.67}+e^{2.3}}=0.61$

交叉熵损失衡量分类模型的性能，其输出是介于 0 和 1 之间的概率值。交叉熵损失随着预测概率与实际标签的偏离而增加。因此，当实际观察标签为 1 时预测 0.012 的概率模型不好，并导致高损失值。完美模型的对数损失为 0。cross-entropy一般再softmax函数求得结果后再用，

函数定义：

是真实值，是softmax函数求得的结果。

因为真实值只有属于这个类别或者不属于这个类别，1代表是这个类别，如图所示表示改输入是类别3，

cross-entropy计算

为什么要加负号？

log函数图像：

因为softmax求出结果再（0,1）之间，所以cross-entropy结果为负值，加负号使得损失为正。

假如现在通过优化使得softmax 后结果为0.10、0.08、0.82，再计算cross-entropy结果对比一下

0.28小于之前的损失0.71，暗示模型正在学习。优化过程（调整权重以使输出接近真实值）一直持续到训练结束

菜单