一，多类（Multiclass）
多类是指输出不止有两个输出标签，想要对多个种类进行分类。
Softmax回归算法：
Softmax回归算法是Logistic回归在多类问题上的推广，和线性回归一样，将输入的特征与权重进行线性叠加，主要不同在于，Softmax回归的输出值个数取决于输入标签的类别的个数。
例：
一共输入有四种特征和三种输出类别，权重（W）包含12个标量，偏置（b）包含3个标量，对于每个输入标签进行线性叠加，得到3个输出：o1，o2，o3
进行Softmax回归：
2,Softmax函数：
对每个类别进行指数函数处理，然后归一化，使得所有类别的概率之和为1。当有n个类别时，可以通过公式来比较的值并输出
3,Softmax回归的损失函数：
损失函数和逻辑回归相似。
4,在人工神经网络的Softmax输出：
与逻辑回归不同，Softmax回归的输出函数与每个Z都有关系
对每一隐藏层的每个单元进行Softmax回归，产生的激活值传递给下一隐藏层，以此类推。
5，利用TensorFlow实现Softmax回归：
①：建立模型
②：定义代价函数和损失函数
③：训练数据得到最小代价函数
6，Softmax回归的改进：
原因：由于电脑计算的先后顺序不一样，可能会导致结果的偏差，（精度损失？），因此需要在计算中选择更合适的方法。
方法：张量流
张量流通过重新编排代价函数中的项，并提出一个更为精准的数值方法来计算代价函数，即选择是否计算a。
采用图中修改的代码进行计算，最后只会计算出Z。缺点是使得Softmax回归过程变得不是很清晰，张量流的数据减少。
（整个优化后的代码如上图所示）