深度学习softmax代码段

本文深入探讨TensorFlow中Tensor的特性与使用限制,详解数据归一化的重要性,及如何避免数据溢出导致的NaN值。同时,解析神经网络中逻辑回归与softmax回归的区别,批量梯度下降的softmax输出的损失函数计算方式,以及w矩阵的维度确定方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Tensor 的测试和遇到的问题
1、不是所有的tensor都可以带入到with代码块中执行并计算的,下方变量theta是一个以平均概率在-1到1之间随机获取数字,当单独在with中执行的时候,结果如下
例:theta=tf.Variable(tf.random_uniform([n+1,1],-1.0,1.0),name=‘theta’)
运行结果:
Tensor(“random_uniform:0”, shape=(4, 1), dtype=float32)
Process finished with exit code 0
疑问点:为什么在with代码块中执行完tensor后输出的结果
还是一个tensor,并没有填充数据。
出现nan值的情况
1 没有进行归一化,导致数据溢出。
例子:


上图中的因为x的数据选择了bias后的二没有选择归一化之后的数据,最终导致的结果是nan…,数据溢出。(联想:对数据进行操作,都是采用的复制?然后存入新的空间中?并没有改变原来的数据?嗯!应该是这样的吧)
关于for循环的理解
在这里插入图片描述
译:num表示数字10000,training_op表示计算最小的mse,每一批数据的每条数据都进行一次mse计算然后叠加起来形成一个损失的总和然后再反过来去修改theta。if块表示的是每一个批次数据处理后对mse进行计算并输出。theta.eval()表示计算本次迭代之后的theta值,print(best_theta)已经跳出for循环之外了,并没有参与到for循环之内,表示的意思是本轮for循环结束之后输出theta的值(10000次循环之后的整体结束之后输出的最终值)。
小碎知识点
1、再cmd中numpy的arange和外部的range不同。
arr=np.arange(10)
print(arr)
print("/////////////////////////")
for i in range(10):
print(i)
输出结果:
[0 1 2 3 4 5 6 7 8 9]
/////////////////////////
0
1
2
3
4
5
6
7
8
9
结论:arange输出的是一组集合,而range输出的是是个分散的常量。
相同点:都是从范围内从小到大取数,并且排列出来,只是输出的行书不 同而已。
注意点:cmd中的输出可以有print(x)也可以之际打x同样也会输出x的值。
2、np.random.shuffle(x)的使用和解释
测试:对样本数据集scaled_houing_data_plus_bias进行打乱,每次循环采样数据的时候采样的数据不一样。(盲点:看清了,一组数据有很多,再矩阵里面找小的样本集)测试结果如下:在这里插入图片描述
在这里插入图片描述
3 在神经网络中逻辑回归、softmax回归的原理区别
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
逻辑回归中的输出仅适用于单个而分类的问题,但是softmax则适用于多分类的问题,并且将多分类的问题转换为了而分类的问题。softmax中的损失函数公式为 p1=e(z1)/(e(z1)+e(z2)+e(z3))
loss=1logH(p1)
(y
logh( θ))
本质:当使用softmax进行往回传播梯度下降的时候他受到了上一层所有的w权重的影响,所以每一个softmax回归都是受到了其他的w的影响,牵一发而动全身的感觉。
总结:深度学习里面做回归那么最后一层不要加任何的激活函数,如果要是做分类那么百分之99都是用到softmax来做的。
4 、w矩阵建立是按照输入神经元的维度和输出神经元的维度确认的,维度=输入神经元个数输出神经元个数。
5、批量梯度下降的softmax输出的loss损失函数是 加和、再加和y
log(y_pred)
在这里插入图片描述
图中的(tf.reduce_sum(y*tf.log(y_pred)),reduction_indices=[1]) 意思说相加,后面的reduction_indices是说按照列来相加,这样总体求出来的是一个m行1列的列向量,式中的tf.reduce_mean是说将所有的损失全都加起来然后取一个平均数。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值