分类模型训练
把分类理论付诸实践，训练一个真正能分类的网络，在 Playground 中自由探索
Softmax 回归的完整结构
上一课我们学习了 Softmax 函数和交叉熵损失。完整的分类模型结构是：
与线性回归对比：
实践：定义分类模型
用 nn.Linear(2, 2) 构建模型——输入 2 维特征，输出 2 个类别分数。配合 CrossEntropyLoss ，PyTorch 会在内部自动做 Softmax，因此模型本身只需要输出 logits。
实践：训练分类模型
训练循环的结构与课 4 线性回归训练 完全一致 ——这是关键洞察： 无论回归还是分类，训练五步法（数据→模型→损失和优化器→训练循环→评估）是不变的。
实践：预测与评估
训练后，用 torch.argmax 从输出概率中取出预测类别， 计算 准确率 （Accuracy）：
Playground：分类模型训练
在这个 Playground 中，你可以自由调节学习率与 类间距离 ， 点击「开始」让 Softmax 回归在你眼前从零训练到收敛。
类间距离 ：两类样本中心在 轴上的间距。值越大，两团数据离得越远、越容易区分；值越小，两团互相重叠越多、决策边界越难学。
下面先看懂三张图分别在画什么：
- 上方决策面图——训练数据 + 模型预测 图上每个 圆点 代表一个训练样本， 蓝点 是「类别 0」（标签 ，集中在左侧）， 橙点 是「类别 1」（标签 ，集中在右侧） 背景色块 是模型对平面上每个位置的预测： 浅蓝处模型预测「类别 0」， 浅橙处预测「类别 1」，颜色由浅蓝过渡到浅橙的中性地带就是 决策边界 怎么判断训练得好不好？ 看圆点是不是都落在与自己同色的背景上——全部命中就说明模型把这两类分对了
- 左下——交叉熵损失曲线 ：随训练逐步下降并趋于平稳，代表模型在拟合
- 右下——准确率曲线 ：逐步攀升并稳定在接近 1 的位置，代表分类几乎全对
后台用 TF.js 训练 tf.layers.dense({units: 2, activation: 'softmax'}) 模型；每帧多步训练后，重新预测整个 2D 网格，得到背景中颜色编码的决策区域。
回顾与总结
回顾整个图谱，回归和分类的代码有什么异同？