Softmax函式原理及Python實現

2021-10-06 08:13:07 字數 3223 閱讀 5334

softmax函式用於將分類結果歸一化,形成乙個概率分布。作用類似於二分類中的sigmoid函式。

對於乙個k維向量z,我們想把這個結果轉換為乙個k個類別的概率分布p(z)。softmax可以用於實現上述結果,具體計算公式為:

s of

tmax

(xi)

=exp

(xi)

∑jex

p(xj

)softmax(x_i) = \frac

softma

x(xi

​)=∑

j​ex

p(xj

​)ex

p(xi

​)​對於k維向量z來說,其中zi∈

rz_i \in r

zi​∈

r,我們使用指數函式變換可以將元素的取值範圍變換到(0,

+∞

)(0, +\infin)

(0,+∞)

,之後我們再所有元素求和將結果縮放到[0,1],形成概率分布。

常見的其他歸一化方法,如max-min、z-score方法並不能保證各個元素為正,且和為1。

輸入向量x加上乙個常數c後求softmax結算結果不變,即:

s of

tmax

(x)=

soft

max(

x+c)

softmax(x) = softmax(x+c)

softma

x(x)

=sof

tmax

(x+c

)我們使用softmax(x)的第i個元素的計算來進行證明:

s of

tmax

(xi+

c)=e

xp(x

i+c)

∑jex

p(xj

+c)=

exp(

xi)∗

exp(

c)∑j

[exp

(xj)

∗exp

(c)]

=exp

(xi)

∗exp

(c)e

xp(c

)∗su

mjex

p(xj

)=ex

p(xi

)∑je

xp(x

j)=s

oftm

ax(x

i)

softmax(x_i+c) = \frac \\= \frac \\=\frac \\=\frac \\= softmax(x_i)

softma

x(xi

​+c)

=∑j​

exp(

xj​+

c)ex

p(xi

​+c)

​=∑j

​[ex

p(xj

​)∗e

xp(c

)]ex

p(xi

​)∗e

xp(c

)​=e

xp(c

)∗su

mj​e

xp(x

j​)e

xp(x

i​)∗

exp(

c)​=

∑j​e

xp(x

j​)e

xp(x

i​)​

=sof

tmax

(xi​

)由於指數函式的放大作用過於明顯,如果直接使用softmax計算公式sof

tmax

(xi)

=exp

(xi)

∑jex

p(xj

)softmax(x_i) = \frac

softma

x(xi

​)=∑

j​ex

p(xj

​)ex

p(xi

​)​進行函式實現,容易導致資料溢位(上溢)。所以我們在函式實現時利用其性質:先對輸入資料進行處理,之後再利用計算公式計算。具體使得實現步驟為:

查詢每個向量x的最大值c;

每個向量減去其最大值c, 得到向量y = x-c;

利用公式進行計算,softmax(x) = softmax(x-c) = softmax(y)

**如下:

import numpy as np

defsoftmax

(x):

""" softmax函式實現

引數:x --- 乙個二維矩陣, m * n,其中m表示向量個數,n表示向量維度

返回:softmax計算結果

"""assert

(len

(x.shape)==2

) row_max = np.

max(x, axis=axis)

.reshape(-1

,1) x -= row_max

x_exp = np.exp(x)

s = x_exp / np.

sum(x_exp, axis=axis, keepdims=

true

)return s

測試一下:

a =[[

1,2,

3],[

-1,-

2,-3

]]b =[[1

,2,3

]]c =[1,

2,3]

a = np.array(a)

b = np.array(b)

c = np.array(c)

print

(softmax(a)

)print

(softmax(b)

)print

(softmax(c)

)# error

輸出結果為:

[[ 0.09003057  0.24472847  0.66524096]

[ 0.66524096 0.24472847 0.09003057]]

[[ 0.09003057 0.24472847 0.66524096]]

traceback (most recent call last):

assert(len(x.shape) == 2)

assertionerror

Softmax函式詳解

softmax在機器學習中有非常廣泛的應用,但是剛剛接觸機器學習的人可能對softmax的特點以及好處並不理解,其實你了解了以後就會發現,softmax計算簡單,效果顯著,非常好用。我們先來直 一下,softmax究竟是什麼意思 我們知道max,假如說我有兩個數,a和b,並且a b,如果取max,那...

softmax函式應用

softmax函式應用 1.softmax初探 在機器學習中,softmax是十分常用而且重要的乙個函式,尤其在多分類的場景中使用廣泛。它把一些輸入對映為0 1之間的實數,並且歸一化保證和為1,因此多分類的概率之和也剛好為1。首先我們簡單來看看softmax是什麼意思。顧名思義,softmax由兩個...

softmax損失函式

首先我們來介紹一下資訊熵。資訊熵又叫kl散度,是資訊的平均編碼長度。給定資訊出現的概率向量p p1,p 2,pn p p 1,p 2,p n p p1 p2 pn 其中p ip i pi 為第i ii條資訊出現的概率,那麼資訊的平均編碼長度為h p i npilog 1 pih p sum i np...