Softmax回归是一种用于多分类问题的模型，该模型可以看成是逻辑回归的拓展，因为其使用的损失函数也是cross-entropy loss(交叉熵)，但与逻辑回归不同的是，其损失函数是一种多分类形式。

1. 模型

   Softmax回归也是一种线性模型，其模型表示： 然后在得到值的基础上，加入softmax函数： 上式中的为中第k列的值。
   以上就是softmax回归的模型，实质上是先通过线性模型，将其转变为对于每一类的一个"分数"，然后再利用softmax函数将"分数"转变为一个离散分布。

2. 损失函数

   在Softmax回归中，选用的是cross-entropy loss(交叉熵)，但使用的是其多分类形式： 式子中是通过模型计算关于后的离散分布；代表的真实分布，才用的是one-hot编码形式，即若属于第类，则，其余均为0。可以看出，逻辑回归其实是Softmax回归的一种特殊形式，属于二分类时候的一种形式。
   cross-entropy loss(交叉熵)的作用是，用于衡量两个分布之间差距，如上面就是衡量真实的分布与模型计算的，这两个分布间的差距。

3.迭代更新

   有了损失函数，接下来就可以通过梯度下降法，来最小化损失函数，从而求得模型的参数。关于的推导，这里使用的是链式法则，关于单个样本的推导： 综上： 上述就是关于单个的的推导，而对于整个样本集与上述类似，只需注意保持运算后的矩阵规模正确即可。下面的代码就是加入正则化后，模型的正向传播与计算导数的过程。

    N, D = X.shape

    scores = np.dot(X, W)
    e = np.exp(scores)
    prob = e / np.sum(e, axis=1, keepdims=True)
    loss = np.mean( -1 * np.log(prob[range(N), y]) ) + 0.5 * reg * np.sum(W ** 2)

    mask = np.zeros_like(scores)
    mask[range(N), y] = 1
    df = prob - mask
    dW = np.dot(X.T, df)
    dW /= N
    dW += reg * W

总结

   Softmax回归就是通过多条直线作为决策边界来划分整个解空间。通过线性函数来计算相应分类的得分，然后利用softmax函数来转换成相应的概率；在损失函数方面使用的是交叉熵损失函数，用来衡量两个分布之间的差距。