PyTorch教程4.1之Softmax回归

在3.1 节中，我们介绍了线性回归，在3.4 节中从头开始实现 ，并在3.5 节中再次使用深度学习框架的高级 API来完成繁重的工作。

回归是我们想回答多少的时候伸手去拿的锤子？ 或者有多少？问题。如果你想预测房子的售价（价格），或者一支棒球队可能获胜的次数，或者病人出院前住院的天数，那么你可能是寻找回归模型。然而，即使在回归模型中，也存在重要的区别。例如，房屋的价格永远不会是负数，并且变化可能通常与其基准价格有关。因此，对价格的对数进行回归可能更有效。同样，患者住院的天数是 离散的非负数随机变量。因此，最小均方可能也不是理想的方法。这种时间-事件建模伴随着许多其他并发症，这些并发症在称为生存建模的专门子领域中处理。

这里的重点不是要让你不知所措，而只是让你知道，除了简单地最小化平方误差之外，还有很多东西需要估计。更广泛地说，监督学习比回归要多得多。在这一节中，我们重点关注分类问题，我们搁置了多少？问题，而是关注哪个类别？问题。

• 这封电子邮件属于垃圾邮件文件夹还是收件箱？

• 该客户是否更有可能注册或不注册订阅服务？

• 这个图像描绘的是驴、狗、猫还是公鸡？

• 阿斯顿接下来最有可能看哪部电影？

• 您接下来要阅读本书的哪一部分？

通俗地说，机器学习从业者重载了单词 分类来描述两个细微不同的问题：（i）那些我们只对将示例硬分配给类别（类）感兴趣的问题；(ii) 那些我们希望进行软分配的地方，即评估每个类别适用的概率。这种区别往往会变得模糊，部分原因是，即使我们只关心硬分配，我们仍然经常使用进行软分配的模型。

更重要的是，在某些情况下，不止一个标签可能是真实的。例如，一篇新闻文章可能同时涵盖娱乐、商业和太空飞行等主题，但不会涵盖医学或体育主题。因此，将其单独归入上述类别之一并不是很有用。这个问题通常被称为多标签分类。参见Tsoumakas 和 Katakis ( 2007 )的概述和 Huang等人。( 2015 )用于标记图像时的有效算法。