Softmax 函数处理

Softmax 函数处理，softmax 用于 Deep Learning 后的分类器的实现与识别，此函数的参数经过优化，有较强的泛化能力和性能

function [cost grad] = softmaxCost（theta numClasses inputSize lambda data labels）

% numClasses - the number of classes 
% inputSize - the size N of the input vector
% lambda - weight decay parameter
% data - the N x M input matrix where each column data（: i） corresponds to
%        a single test set
% labels - an M x 1 matrix containing the labels corresponding for the input data
%

% Unroll the parameters from theta
theta = reshape（theta numClasses inputSize）;

numCases = size（data 2）;

groundTruth = full（sparse（labels 1:numCases 1））;
cost = 0;

thetagrad = zeros（numClasses inputSize）;

%% ---------- YOUR CODE HERE --------------------------------------
%  Instructions: Compute the cost and gradient for softmax regression.
%                You need to compute thetagrad and cost.
%                The groundTruth matrix might come in handy.












% ------------------------------------------------------------------
% Unroll the gradient matrices into a vector for minFunc
grad = [thetagrad（:）];
end

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1033  2020-11-28 12:27  softmaxCost.m
     文件        4775  2020-11-28 12:27  softmaxExercise.m
     文件         713  2020-11-28 12:27  softmaxPredict.m
     文件        1891  2020-11-28 12:27  softmaxTrain.m