上一篇文章我們介紹了通過神經網絡來處理一個非線性回歸的問題，這次我們将采用神經網絡來處理一個多元分類的問題。
這次我們解決這樣一個問題：輸入一個人的身高和體重的資料，程式判斷出這個人的身材狀況，一共三個類别：偏瘦、正常、偏胖。
處理流程如下：
1、收集資料
2、建構神經網絡
3、訓練網絡
4、儲存和消費模型
詳細步驟如下：
對于一個複雜的業務資料，在實際應用時應該是通過收集取得資料，本文的重點不在資料收集，是以我們将制造一批标準資料來進行學習。
關于人體的胖瘦問題，有一個BMI算法，即：BMI=weight / (height * height)，當BMI小于18時，認為偏瘦，當BMI大于28時，認為偏胖，18到28之間，認為正常。
首先随機生成身高和體重的資料，然後計算BMI值，并對結果進行标記，其中，偏瘦标記為0，正常标記為1，偏胖标記為2 。代碼如下：
相對于簡單的非線性模型，本次的網絡結構會稍微複雜一些：
// 網絡參數
int num_features = 2; // data features
int num_classes = 3; // total output
首先，本次包含兩層神經網絡，激活函數均采用RELU，輸出層激活函數采用Softmax函數。
和上一篇文章中的網絡結構相比看上去複雜很多，但其本質實際上差别不大，隻是多了一個Softmax函數。
請注意觀察3個Output節點，如果隻是看其中一個節點的話，它實際上就是一個普通的非線性模型。
由于1、2、3三個節點的資料之和不一定等于1，Softmax函數的目的就是要使得最終輸出的三個數字之和為1，這樣數字本身就可以表示機率了。其計算方法也非常簡單：
最後我們看一下這個網絡的摘要資訊：
第一層網絡的訓練參數數量：（2+1）*64=192
第二層網絡的訓練參數數量：（64+1）*64=4160
輸出層網絡的訓練參數數量：（64+1）*3=195
這裡注意一點：損失函數采用稀疏分類交叉熵（SparseCategoricalCrossentropy）方法，對于分類任務，大部分時候都是采用分類交叉熵方法作為損失函數。
下面為二值交叉熵的實作公式：
可以不用看公式，簡單了解交叉熵的含義：就是如果标記值為1時預測值接近1 或 标記值為0時預測值接近0 則損失函數的值就會比較小。
比如标記值為[1,0,0],預測值為[0.99,0.01,0],則損失比較小，反之，如果預測值為[0.1,0.1,0.8],則損失比較大。
下面時一個二值交叉熵的實作方法：
稀疏分類交叉熵和二值交叉熵的差別在于：二值交叉熵需要對标記結果進行獨熱編碼(one-hot)，而稀疏分類交叉熵則不需要。
前面提到，我們對分類結果進行标記，其中，偏瘦标記為0，正常标記為1，偏胖标記為2；而采用二值交叉熵進行計算時，偏瘦标記為[1,0,0]，正常标記為[0,1,0]，偏胖标記為[0,0,1] 。
訓練完成後，我們通過消費這個模型來檢查模型的準确性。
下面為測試結果：
随便看兩條資料：當BMI為30.5時，預測結果為[0,0.0016,0.9983]；當BMI為12.5時，預測結果為：[1,0,0]，可見結果還是準确的。
全部代碼如下：
View Code
【相關資源】
源碼：Git: https://gitee.com/seabluescn/tf_not.git
項目名稱：NN_MultipleClassification_BMI
目錄：檢視TensorFlow.NET機器學習入門系列目錄
簽名區：
如果您覺得這篇部落格對您有幫助或啟發，請點選右側【推薦】支援，謝謝！