基础！！！吴恩达deeplearning.ai:神经网络中使用softmax

以下内容有任何不理解可以翻看我之前的博客哦：吴恩达deeplearning.ai

---

在上一篇博客中我们了解了有关softmax的原理相关内容，今天我们主要聚焦于如何修改之前的神经网络，从而搭建能够实现多分类问题的神经网络。

softmax作为输出层的神经网络

相比之前的二分类逻辑回归神经网络，我们主要的改变是将输出层替换为了具有十个神经元的，激活函数为softmax的输出层。整个神经网络的运行流程是接收特征输入X，并且传入隐藏层，两个隐藏层的激活函数均采用的是relu函数；再传入最终输出层，最终的输出$a^{[3]}$是一个包含十个概率值的矩阵。
我们再回顾下softmax的公式(这里仅以a1为例）：
z 1 = w 1 ⃗ ⋅ x ⃗ + b 1 a 1 = e z 1 e z 1 + e z 2 + e z 3 + e z 4 z_1=\vec{w_1}\cdot\vec{x}+b_1\\ a_1=\frac{e^{z_1}}{e^{z_1}+e^{z_2}+e^{z_3}+e^{z_4}} z1​=w1​ ​⋅x +b1​a