1. 多类分类（Multi-class Classification）

定义

多类分类是指目标变量（标签）有超过两个类别的分类任务。例如：

• 手写数字识别：10个类别（0~9）。
• 图像分类：区分猫、狗、鸟等。
• 新闻主题分类：政治、经济、体育等。

特点

• 互斥性：每个样本仅属于一个类别（区别于多标签分类）。
• 输出要求：模型需输出每个类别的概率分布，且概率之和为1。

实现方式

• One-vs-Rest (OvR)：训练K个二分类器（K为类别数），每个分类器判断“是否属于该类”。
• Softmax回归：直接输出多类概率分布（更高效，主流方法）。

---

2. Softmax函数

定义

Softmax将神经网络的原始输出（logits）转换为概率分布，公式为：
[
\sigma(\mathbf{z})_i = \frac{e^{{z_i}}{\sum_{j=1}}K e^{z_j}}}, \quad i = 1, \dots, K
]

• ( \mathbf{z} )：神经网络的原始输出向量（logits）。
• ( K )：类别总数。
• 输出：每个类别的概率 ( \sigma(\mathbf{z})i \in (0,1) )，且 ( \sum{i=1}^K \sigma(\mathbf{z})_i = 1 )。

示例

假设神经网络对3个类别的原始输出为 ( \mathbf{z} = [2.0, 1.0, 0.1] )：
[
\begin{aligned}
\sigma(\mathbf{z})_1 &= \frac{e^{2.0}}{e{2.0} + e^{1.0} + e^{0.1}}} \approx 0.659 \
\sigma(\mathbf{z})_2 &= \frac{e^{1.0}}{e{2.0} + e^{1.0} + e^{0.1}}} \approx 0.242 \
\sigma(\mathbf{z})_3 &= \frac{e^{0.1}}{e{2.0} + e^{1.0} + e^{0.1}}} \approx 0.099 \
\end{aligned}
]
最终概率分布：[0.659, 0.242, 0.099] → 预测为第1类。

特性

1. 放大差异：较大的 ( z_i ) 会获得显著更高的概率。
2. 数值稳定：实际计算时，通常减去最大值（( z_i - \max(\mathbf{z}) )）避免数值溢出。

   exp_z = np.exp(z - np.max(z, axis=1, keepdims=True))
   softmax = exp_z / np.sum(exp_z, axis=1, keepdims=True)
   

---

3. Softmax与交叉熵损失

组合使用

• Softmax：将logits转为概率。
• 交叉熵损失（Cross-Entropy Loss）：衡量预测概率与真实标签的差异。
  

反向传播

Softmax与交叉熵的梯度计算被合并优化，梯度形式简洁：
[
\frac{\partial J}{\partial z_i} = \hat{y}_i - y_i
]

• 梯度直接反映预测与真实的差异。

---

4. 代码实现

(1) Python（NumPy）

import numpy as npdef softmax(z):exp_z = np.exp(z - np.max(z, axis=1, keepdims=True))  # 防溢出return exp_z / np.sum(exp_z, axis=1, keepdims=True)# 示例：3个样本，4个类别
logits = np.array([[1.0, 2.0, 3.0, 4.0],[0.5, 1.0, 2.0, 3.0],[-1.0, 0.0, 1.0, 2.0]])
probabilities = softmax(logits)
print("概率分布：\n", probabilities)

(2) PyTorch

import torch
import torch.nn as nnlogits = torch.tensor([[1.0, 2.0, 3.0], [0.1, 0.2, 0.3]])
softmax = nn.Softmax(dim=1)
probabilities = softmax(logits)
print(probabilities)

(3) TensorFlow/Keras

from tensorflow.keras.layers import Softmaxlogits = tf.constant([[1.0, 2.0, 3.0], [0.1, 0.2, 0.3]])
softmax = Softmax(axis=-1)
probabilities = softmax(logits)
print(probabilities.numpy())

---

5. 多类分类 vs 二分类

任务类型	输出层激活函数	损失函数	标签格式
二分类	Sigmoid	二元交叉熵	0或1
多类分类	Softmax	分类交叉熵	One-hot编码

---

6. 常见问题

Q1：为什么Softmax输出概率和为1？

• 设计目的即为生成概率分布，便于直观解释和优化。

Q2：Softmax和Sigmoid的区别？

• Sigmoid：用于二分类，独立计算每个类别的概率（可非互斥）。
• Softmax：用于多分类，强制所有类别概率和为1（互斥）。

Q3：如何处理类别不平衡？

• 加权交叉熵：为少数类赋予更高权重。

  model.compile(loss='categorical_crossentropy', optimizer='adam',metrics=['accuracy'],class_weight={0: 1, 1: 2, 2: 1})  # 类别1的权重加倍
  

---

7. 总结

• 多类分类：目标变量有多个互斥类别，需输出概率分布。

• Softmax：将logits转换为归一化概率，与交叉熵损失配合使用。

• 关键公式：
  

• 实践建议：

  • 输出层用Softmax，隐藏层用ReLU。
  • 标签需为one-hot编码（或稀疏类别标签）。