Datawhale X 李宏毅苹果书AI夏令营
谈谈我对task2文档的理解，和总结

task2主要讲的是分类问题的基本概念及相关技术，包括分类与回归的关系、带有Softmax的分类、分类损失等内容。

如果用简单的描述各特点的话，我觉得是
回归：模型的目标是使预测值 y^尽可能接近真实值y
分类：可以视为一种特殊的回归问题，目标是让预测值y^尽可能接近类别编号（如类1对应1，类2对应2）。但用数字直接表示类在某些情况下可能会有问题，因为类别之间可能没有线性关系，这时可以用独热向量表示类别。
在带有Softmax的分类中在分类模型中，通常将输出y^通过Softmax函数，得到归一化后的预测值y1此时y1为独热向量的概率分布。
Softmax的作用：将输出值归一化到0和1之间，并且保证所有类别的概率和为1。它还会放大不同类别之间的概率差异，使得模型在训练时更加容易收敛。
分类损失
均方误差：适用于回归问题，但在分类问题中，它在损失大的情况下，梯度较小，优化困难。
交叉熵：更适合分类问题。它不仅可以最小化预测和真实标签之间的误差，还能最大化似然，从而优化模型的参数。相比均方误差，交叉熵在初始阶段具有更好的梯度信息，使得优化过程更顺畅。

qz其中Softmax和交叉熵的作用对于构建高效的分类模型至关重要。Softmax不仅能归一化输出值，还能放大类别之间的差异，而交叉熵则通过更好的梯度信息，使得模型在优化时更容易收敛。