softmax:重新定义了多层神经网络的输出层(output layer),注意仅和输出层有关系,和其他层无关。
- softmax function,也称为 normalized exponential(指数族分布的观点);
1. softmax
我们知道在神经网络的前馈(feedforward)的过程中,输出层的输入(input)为:
zLj=∑kwLjk⋅aL−1k+bLj
在 softmax 的机制中,为获得输出层的输出(也即最终的输出),我们不是将 sigmoid 函数作用于其上,
aLj=σ(zLj)
而是采用所谓的 softmax function:
aLj=ezLj∑kezLk
因此:
-
(1)输出层输出之和为 1
∑kaLk=∑kezLk∑kezLk=1因为输出层的输出之和为1,其中一项增加,其他所有项则会相应减少。
-
(2)输出层全部输出均为正:
而且 softmax 的机制,也保证了所有的输出均为正值;
终上所述,softmax 层的输出其实为一种概率分布(probability distribution),因此对于一个多 label 的分类任务(比如手写字符识别,0-9)而言, aLj 对应于最终的分类结果为 j 的概率。
2. logsoftmax
将原始数据从 x ⇒ log (x),无疑会原始数据的值域进行一定的收缩。
进一步地,还可对原始数据进行进一步的预处理,