上一篇文章我们介绍了通过神经网络来处理一个非线性回归的问题，这次我们将采用神经网络来处理一个多元分类的问题。
这次我们解决这样一个问题：输入一个人的身高和体重的数据，程序判断出这个人的身材状况，一共三个类别：偏瘦、正常、偏胖。
处理流程如下：
1、收集数据
2、构建神经网络
3、训练网络
4、保存和消费模型
详细步骤如下：
对于一个复杂的业务数据，在实际应用时应该是通过收集取得数据，本文的重点不在数据收集，所以我们将制造一批标准数据来进行学习。
关于人体的胖瘦问题，有一个BMI算法，即：BMI=weight / (height * height)，当BMI小于18时，认为偏瘦，当BMI大于28时，认为偏胖，18到28之间，认为正常。
首先随机生成身高和体重的数据，然后计算BMI值，并对结果进行标记，其中，偏瘦标记为0，正常标记为1，偏胖标记为2 。代码如下：
相对于简单的非线性模型，本次的网络结构会稍微复杂一些：
// 网络参数
int num_features = 2; // data features
int num_classes = 3; // total output
首先，本次包含两层神经网络，激活函数均采用RELU，输出层激活函数采用Softmax函数。
和上一篇文章中的网络结构相比看上去复杂很多，但其本质实际上差别不大，只是多了一个Softmax函数。
请注意观察3个Output节点，如果只是看其中一个节点的话，它实际上就是一个普通的非线性模型。
由于1、2、3三个节点的数据之和不一定等于1，Softmax函数的目的就是要使得最终输出的三个数字之和为1，这样数字本身就可以表示概率了。其计算方法也非常简单：
最后我们看一下这个网络的摘要信息：
第一层网络的训练参数数量：（2+1）*64=192
第二层网络的训练参数数量：（64+1）*64=4160
输出层网络的训练参数数量：（64+1）*3=195
这里注意一点：损失函数采用稀疏分类交叉熵（SparseCategoricalCrossentropy）方法，对于分类任务，大部分时候都是采用分类交叉熵方法作为损失函数。
下面为二值交叉熵的实现公式：
可以不用看公式，简单理解交叉熵的含义：就是如果标记值为1时预测值接近1 或 标记值为0时预测值接近0 则损失函数的值就会比较小。
比如标记值为[1,0,0],预测值为[0.99,0.01,0],则损失比较小，反之，如果预测值为[0.1,0.1,0.8],则损失比较大。
下面时一个二值交叉熵的实现方法：
稀疏分类交叉熵和二值交叉熵的区别在于：二值交叉熵需要对标记结果进行独热编码(one-hot)，而稀疏分类交叉熵则不需要。
前面提到，我们对分类结果进行标记，其中，偏瘦标记为0，正常标记为1，偏胖标记为2；而采用二值交叉熵进行计算时，偏瘦标记为[1,0,0]，正常标记为[0,1,0]，偏胖标记为[0,0,1] 。
训练完成后，我们通过消费这个模型来检查模型的准确性。
下面为测试结果：
随便看两条数据：当BMI为30.5时，预测结果为[0,0.0016,0.9983]；当BMI为12.5时，预测结果为：[1,0,0]，可见结果还是准确的。
全部代码如下：
View Code
【相关资源】
源码：Git: https://gitee.com/seabluescn/tf_not.git
项目名称：NN_MultipleClassification_BMI
目录：查看TensorFlow.NET机器学习入门系列目录
签名区：
如果您觉得这篇博客对您有帮助或启发，请点击右侧【推荐】支持，谢谢！