简单的softmax函数实现

在机器学习尤其是深度学习中，softmax是个非常常用而且比较重要的函数，尤其在多分类的场景中使用广泛。他把一些输入映射为0-1之间的实数，并且归一化保证和为1，因此多分类的概率之和也刚好为1。

softmax的公式为：

$Softmax(z_j)=\frac{e^{z_j}}{\sum e^{z_j}}$

接下来就是简单的实现过程。
不考虑其余复杂情况，单纯就公式本身而言：
对于一个向量，通过softmax转换为取值在(0,1)内的向量，且和为1。

import numpy as np
def softmax(x):
    exp_x = np.exp(x)
    result = exp_x / np.sum(exp_x)
    return result

验证结果：

dim = np.arange(24).reshape(4,6)
print(softmax(dim))
print('-'*20)
print(np.sum(softmax(dim)))