cs231n assignment1_Q3_softmax

前言

其实svm和softmax的一个大区别在他们的损失函数不同，然后其梯度求导就会不同。首先，先来回顾一下softmax

softmax

所谓softmax，把它拆开看，soft & max ，可以理解为是带soft一点的max。那就会有纯max，纯max就好比一个评分函数中，得分最高的那个就是所求的分类，那么带有soft的max呢它是通过一种概率的方式，来把得分转变为概率的形式来展现，得分最高的那类自然概率也就最高，那么得分低的也存在概率，也有一定的几率能够取到，而不是很绝对的只取最高。这算是是一种softmax感性的认识。

softmax函数为

softmax的输入和svm相同，S=Wx，而它的损失函数变成了“交叉熵损失函数”（cross-entropy loss）

也或者写成等价形式

在实际使用中，常常因为指数太大而出现数值爆炸问题，两个非常大的数相除会出现数值不稳定问题，因此我们需要在分子和分母中同时进行以下处理：
其中C 的设置是任意的，在实际变成中，往往把C设置成：

即第 i 个样本所有分值中最大的值，当现有分值减去该最大分值后结果≤0，放在 e 的指数上可以保证分子分布都在0-1之内

※梯度推导（难点）

然后代码就可以依据以上的数学推导来编写。

※代码实现

softmax.py

import numpy as np
from random import shuffle
from past.builtins import xrange

def softmax_loss_naive(W, X, y, reg):
  """
  Softmax loss function, naive implementation (with loops)

  Inputs have dimension D, there are C classes, and we operate on minibatches
  of N examples.

  Inputs:
  - W: A numpy array of shape (D, C) containing weights.
  - X: A numpy array of shape (N, D) containing a minibatch of data.
  - y: A numpy array of shape (N,) containing training labels; y[i] = c means
    that X[i] has label c, where 0 <= c < C.
  - reg: (float) regularization strength

  Returns a tuple of:
  - loss as single float
  - gradient with respect to weights W; an array of same shape as W
  """
  # Initialize the loss and gradient to zero.
  loss = 0.0
  dW = np.zeros_like(W)

  #############################################################################
  # TODO: Compute the softmax loss and its gradient using explicit loops.     #
  # Store the loss in loss and the gradient in dW. If you are not careful     #
  # here, it is easy to run into numeric instability. Don't forget the        #
  # regularization!                                                           #
  #############################################################################
  num_classes = W.shape[1]
  num_train = X.shape[0]
  for i in range(num_train):
    scores = np.dot