吴恩达机器学习-可选实验室：多类分类（Multi-class Classification）

1.1目标

在这个实验室里，你将探索一个使用神经网络进行多类分类的例子。

1.2工具

您将使用一些打印例程。这些存储在此目录中的lab_utils_multiclass_TF.py中。

import numpy as np
import matplotlib.pyplot as plt
%matplotlib widget
from sklearn.datasets import make_blobs
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
np.set_printoptions(precision=2)
from lab_utils_multiclass_TF import *
import logging
logging.getLogger("tensorflow").setLevel(logging.ERROR)
tf.autograph.set_verbosity(0)

2.0多类分类

神经网络通常用于对数据进行分类。例如神经网络：

• 拍摄照片并将照片中的主题分类为{狗、猫、马、其他}
• 取一个句子，对其成分的词性进行分类：{名词、动词、形容词等。}

这种类型的网络在其最后一层将具有多个单元。每个输出都与一个类别相关联。当输入示例应用于网络时，具有最高值的输出是预测的类别。如果将输出应用于softmax函数，则softmax的输出将提供输入在每个类别中的概率。
在这个实验室中，您将看到一个在Tensorflow中构建多类网络的示例。然后我们将看看神经网络是如何进行预测的。
让我们从创建一个四类数据集开始。

2.1准备和可视化我们的数据

我们将使用Scikit Learn 的 make_blobs函数制作一个具有4个类别的训练数据集，如下图所示。

# make 4-class dataset for classification
classes = 4
m = 100
centers = [[-5, 2], [-2, -2], [1, 2], [5, -2