4. 用于分类的线性神经网络

现在你已经掌握了所有的技术细节，可以将所学技能应用到更广泛的任务中。即使我们转向分类任务，大部分流程仍然保持不变：加载数据，通过模型传递数据，生成输出，计算损失，计算权重梯度，以及更新模型。但是，目标的确切形式、输出层的参数化以及损失函数的选择将适应*分类*的设定。

• 4.1. Softmax 回归
  • 4.1.1. 分类
  • 4.1.2. 损失函数
  • 4.1.3. 信息论基础
  • 4.1.4. 小结与讨论
  • 4.1.5. 练习
• 4.2. 图像分类数据集
  • 4.2.1. 加载数据集
  • 4.2.2. 读取小批量
  • 4.2.3. 可视化
  • 4.2.4. 小结
  • 4.2.5. 练习
• 4.3. 基础分类模型
  • 4.3.1. Classifier 类
  • 4.3.2. 精度
  • 4.3.3. 小结
  • 4.3.4. 练习
• 4.4. 从零开始实现 Softmax 回归
  • 4.4.1. Softmax
  • 4.4.2. 模型
  • 4.4.3. 交叉熵损失
  • 4.4.4. 训练
  • 4.4.5. 预测
  • 4.4.6. 小结
  • 4.4.7. 练习
• 4.5. Softmax 回归的简洁实现
  • 4.5.1. 定义模型
  • 4.5.2. 再谈Softmax
  • 4.5.3. 训练
  • 4.5.4. 小结
  • 4.5.5. 练习
• 4.6. 分类中的泛化
  • 4.6.1. 测试集
  • 4.6.2. 测试集重用
  • 4.6.3. 统计学习理论
  • 4.6.4. 小结
  • 4.6.5. 练习
• 4.7. 环境和分布偏移
  • 4.7.1. 分布偏移的类型
  • 4.7.2. 分布偏移的例子
  • 4.7.3. 分布偏移的修正
  • 4.7.4. 学习问题的分类
  • 4.7.5. 机器学习中的公平、责任和透明度
  • 4.7.6. 小结
  • 4.7.7. 练习