开发者社区> 问答> 正文

softmax函数的数学推导及Python实现

softmax函数的数学推导及Python实现

展开
收起
珍宝珠 2019-11-26 17:30:29 1745 0
1 条回答
写回答
取消 提交回答
  • softmax用于多分类过程中最后一层,将多个神经元的输出,映射到(0, 1)区间内,可以看成概率来理解,从而来进行多分类!

    softmax函数如下:
    image.png
    更形象的如下图表示:
    image.png softmax 直白来说就是讲原来输出是 3, 1, -3 通过 softmax 函数一作用,就映射成为(0, 1)的值,而这些值的累和为1,那么我们就可以将其理解成概率,在最后选取输出节点的时候,我们可以选取概率最大的节点,作为我们的预测目标!

    Python代码实现:

    # _*_coding:utf-8_*_
    import tensorflow as tf
    import numpy as np
    import math
     
     
    # softmax函数,或称归一化指数函数
    def softmax(x, axis=1):
        # 为了避免求 exp(x) 出现溢出的情况,一般需要减去最大值
        # 计算每行的最大值
        row_max = x.max(axis=axis)
        # 每行元素都需要减去对应的最大值,否则求exp(x)会溢出,导致INF情况
        row_max = row_max.reshpae(-1, 1)
        x = x - row_max
     
        x_exp = np.exp(x)
        # 如果是列向量,则axis=0
        x_sum = np.sum(x_exp, axis=1, keepdims=True)
        s = x_exp / x_sum
        return s
     
    # 简单一些
    def softmax(x):
        """Compute softmax values for each sets of scores in x."""
        e_x = np.exp(x - np.max(x))
        return e_x / e_x.sum()
     
    # 使用 tf的softmax函数
    with tf.Session() as sess:
        tf_s2 = tf.nn.softmax(x, axis=axis)
        s2 = sess.run(tf_s2)
    
    

      下面我们分析一下,减去最大值和不减去最大值是否有必要吗?首先看代码:

    import numpy as np
     
    def softmax(x):
        """Compute softmax values for each sets of scores in x."""
        e_x = np.exp(x - np.max(x))
        return e_x / e_x.sum()
     
    def softmax1(x):
        """Compute softmax values for each sets of scores in x."""
        return np.exp(x) / np.sum(np.exp(x), axis=0)
     
    scores = [3.0, 1.0, 0.2]
    print(softmax(scores))
    print(softmax1(scores))
    '''
    结果输出如下:
    [0.8360188  0.11314284 0.05083836]
    [0.8360188  0.11314284 0.05083836]
    '''
    

    其实两个结果输出是一样的,即使第一个实现了每列和最大值的差异,然后除以总和,但是问题来了,实现在代码和时间复杂度方面是否相似?哪一个更有效率?
    当然,他们都是正确的,但是从数值稳定性的角度来看,第一个是正确的,因为我们避免了求 exp(x) 出现溢出的情况,这里减去了最大值。我们推导一下:

    # 转化公式: a ^(b – c)=(a ^ b)/(a ^ c)
     
    e ^ (x - max(x)) / sum(e^(x - max(x))
     
    = e ^ x / (e ^ max(x) * sum(e ^ x / e ^ max(x)))
     
    = e ^ x / sum(e ^ x)
    
    2019-11-26 17:34:51
    赞同 展开评论 打赏
问答排行榜
最热
最新

相关电子书

更多
From Python Scikit-Learn to Sc 立即下载
Data Pre-Processing in Python: 立即下载
双剑合璧-Python和大数据计算平台的结合 立即下载