得分函数（socre function）
位于网络最后一层（通常是全连接层）的输出，它把输入样本映射到每个类别的原始分数。这些分数是未归一化的实数，值越大代表网络越认为样本属于该类别
案例
对手写的（0-9）数字进行分类，对于一个输入图像x，得分函数会输出一个10维向量（因为0-9有10个数字）f(x)=[s0,s1,...,s9]。假设输出是:[2.1,0.5,-1.2,0.3,3.5,-0.8,1.2,-0.5,0.7,1.0]，最大是s4=3.5得分最高，表示网络认为这张图最可能是数字4
关键点
- 得分函数只是线性变换(f=Wx+b)，不含激活函数
- 它输出是原始分数，不是概率（不满足0-1分布）。
- 与损失函数的关系：得分函数输出分数后，损失函数（如交叉熵损失）会衡量这些分数与真实标签之间的误差，用于指导网络训练
输入图像x和权重的计算
- x:输入图像的特征向量（将图像像素展平成一维）
- W:权重矩阵（形状=类别数x输入特征数）
- b:偏置向量
案例
假设输入是一张2x2的灰度图（4个像素），分三类（猫、狗、鸟）。流程：
- 将图像展平为x=[x1,x2,x3,x4]
- 权重矩阵W是一个3x4的矩阵（每一行对应一个类别的权重）
- 偏置b是3x1的向量
计算过程
具体数值
- 设x=[0.5,0.2,-0.1,0.8]
- W的第一行（猫的权重）为[0.1,0.3,-0.2,0.4]，则猫的原始分数：s猫=0.1x0.5+0.3x0.2+(-0.2)x(-0.1)+0.4x0.8+b1
