Softmax分类回归器

softmax 回归有一个不寻常的特点：它有一个“冗余”的参数集。为了便于阐述这一特点，假设我们从参数向量  θj  中减去了向量  ψ  ，这时，每一个  θj 都变成了  θj−ψ(j=1,…,k)  。此时假设函数变成了以下的式子： 

p(y(i)=j|x(i);θ)=e(θj−ψ)Tx(i)∑kl=1e(θl−ψ)Tx(i)=eθTjx(i)e−ψTx(i)∑kl=1eθTlx(i)e−ψTx(i)=eθTjx(i)∑kl=1eθTlx(i).

换句话说，从  θj  中减去  ψ  完全不影响假设函数的预测结果! 这表明前面的 softmax 回归模型中存在冗余的参数。更正式一点来说，softmax 模型被过度参数化了。对于任意一个用于拟合数据的假设函数，可以求出多组参数值，这些参数得到的是完全相同的假设函数  hθ  。

进一步而言，如果参数  (θ1,θ2,…,θk)  是代价函数  J(θ)  的极小值点，那么  (θ1−ψ,θ2−ψ,…,θk−ψ)  同样也是它的极小值点，其中  ψ  可以为任意向量。因此使  J(θ)  最小化的解不是唯一的。（有趣的是，由于  J(θ)  仍然是一个凸函数，因此梯度下降时不会遇到局部最优解的问题。但是 Hessian 矩阵是奇异的/不可逆的，这会直接导致采用牛顿法优化就遇到数值计算的问题）

注意，当  ψ=θ1  时，我们总是可以将  θ1  替换为  θ1−ψ=0⃗   （即替换为全零向量），并且这种变换不会影响假设函数。因此我们可以去掉参数向量  θ1 （或者其他  θj  中的任意一个）而不影响假设函数的表达能力。实际上，与其优化全部的  k×(n+1)  个参数  (θ1,θ2,…,θk)  （其中  θj∈Rn+1  ），我们可以令  θ1=0⃗  ，只优化剩余的  (k−1)×(n+1)  个参数，这样算法依然能够正常工作。

在实际应用中，为了使算法实现更简单清楚，往往保留所有参数  (θ1,θ2,…,θn) ，而不任意地将某一参数设置为 0。但此时我们需要对代价函数做一个改动：加入权重衰减。权重衰减可以解决 softmax 回归的参数冗余所带来的数值问题。

权重衰减

我们通过添加一个权重衰减项  λ2∑ki=1∑nj=0θ2ij  来修改代价函数，这个衰减项会惩罚过大的参数值，现在我们的代价函数变为： 

J(θ)=−1m⎡⎣∑i=1m∑j=1k1{y(i)=j}logeθTjx(i)∑kl=1eθTlx(i)⎤⎦+λ2∑i=1k∑j=0nθ2ij

有了这个权重衰减项以后 (  λ>0  )，代价函数就变成了严格的凸函数，这样就可以保证得到唯一的解了。 此时的 Hessian矩阵变为可逆矩阵，并且因为  J(θ)  是凸函数，梯度下降法和 L-BFGS 等算法可以保证收敛到全局最优解。

为了使用优化算法，我们需要求得这个新函数  J(θ) 的导数，如下： 

∇θjJ(θ)=−1m∑i=1m[x(i)(1{y(i)=j}−p(y(i)=j|x(i);θ))]+λθj

通过最小化  J(θ) ，我们就能实现一个可用的 softmax 回归模型。

softmax回归与logistic 回归的关系

当类别数  k=2 时，softmax 回归退化为 logistic 回归。这表明 softmax 回归是 logistic 回归的一般形式。具体地说，当  k=2  时，softmax 回归的假设函数为： 

hθ(x)=1eθT1x+eθT2x(i)[eθT1xeθT2x]

利用softmax回归参数冗余的特点，我们令  ψ=θ1 ，并且从两个参数向量中都减去向量  θ1 ，得到: 

h(x)=1e0⃗ Tx+e(θ2−θ1)Tx(i)⎡⎣e0⃗ Txe(θ2−θ1)Tx⎤⎦=⎡⎣⎢⎢⎢⎢11+e(θ2−θ1)Tx(i)e(θ2−θ1)Tx1+e(θ2−θ1)Tx(i)⎤⎦⎥⎥⎥⎥=⎡⎣⎢⎢⎢11+e(θ2−θ1)Tx(i)1−11+e(θ2−θ1)Tx(i)⎤⎦⎥⎥⎥

因此，用  θ′  来表示  θ2−θ1  ，我们就会发现 softmax 回归器预测其中一个类别的概率为  11+e(θ′)Tx(i)  ，另一个类别概率的为  1−11+e(θ′)Tx(i)  ，这与 logistic回归是一致的。

softmax 回归 vs. k 个二元分类器

如果你在开发一个音乐分类的应用，需要对k种类型的音乐进行识别，那么是选择使用 softmax 分类器呢，还是使用 logistic 回归算法建立 k 个独立的二元分类器呢？ 
这一选择取决于你的类别之间是否互斥，例如，如果你有四个类别的音乐，分别为：古典音乐、乡村音乐、摇滚乐和爵士乐，那么你可以假设每个训练样本只会被打上一个标签（即：一首歌只能属于这四种音乐类型的其中一种），此时你应该使用类别数 k = 4 的softmax回归。（如果在你的数据集中，有的歌曲不属于以上四类的其中任何一类，那么你可以添加一个“其他类”，并将类别数 k 设为5。） 
如果你的四个类别如下：人声音乐、舞曲、影视原声、流行歌曲，那么这些类别之间并不是互斥的。例如：一首歌曲可以来源于影视原声，同时也包含人声 。这种情况下，使用4个二分类的 logistic 回归分类器更为合适。这样，对于每个新的音乐作品 ，我们的算法可以分别判断它是否属于各个类别。 
现在我们来看一个计算视觉领域的例子，你的任务是将图像分到三个不同类别中。(i) 假设这三个类别分别是：室内场景、户外城区场景、户外荒野场景。你会使用sofmax回归还是 3个logistic 回归分类器呢？ (ii) 现在假设这三个类别分别是室内场景、黑白图片、包含人物的图片，你又会选择 softmax 回归还是多个 logistic 回归分类器呢？ 
在第一个例子中，三个类别是互斥的，因此更适于选择softmax回归分类器 。而在第二个例子中，建立三个独立的 logistic回归分类器更加合适。

中文译者： 
曾俊瑀（knighterzjy@gmail.com）, 王方（fangkey@gmail.com），王文中（wangwenzhong@ymail.com）

后续会进行代码实现，敬请关注！

softmax 回归有一个不寻常的特点：它有一个“冗余”的参数集。为了便于阐述这一特点，假设我们从参数向量  θj  中减去了向量  ψ  ，这时，每一个  θj 都变成了  θj−ψ(j=1,…,k)  。此时假设函数变成了以下的式子： 

p(y(i)=j|x(i);θ)=e(θj−ψ)Tx(i)∑kl=1e(θl−ψ)Tx(i)=eθTjx(i)e−ψTx(i)∑kl=1eθTlx(i)e−ψTx(i)=eθTjx(i)∑kl=1eθTlx(i).

换句话说，从  θj  中减去  ψ  完全不影响假设函数的预测结果! 这表明前面的 softmax 回归模型中存在冗余的参数。更正式一点来说，softmax 模型被过度参数化了。对于任意一个用于拟合数据的假设函数，可以求出多组参数值，这些参数得到的是完全相同的假设函数  hθ  。

进一步而言，如果参数  (θ1,θ2,…,θk)  是代价函数  J(θ)  的极小值点，那么  (θ1−ψ,θ2−ψ,…,θk−ψ)  同样也是它的极小值点，其中  ψ  可以为任意向量。因此使  J(θ)  最小化的解不是唯一的。（有趣的是，由于  J(θ)  仍然是一个凸函数，因此梯度下降时不会遇到局部最优解的问题。但是 Hessian 矩阵是奇异的/不可逆的，这会直接导致采用牛顿法优化就遇到数值计算的问题）

注意，当  ψ=θ1  时，我们总是可以将  θ1  替换为  θ1−ψ=0⃗   （即替换为全零向量），并且这种变换不会影响假设函数。因此我们可以去掉参数向量  θ1 （或者其他  θj  中的任意一个）而不影响假设函数的表达能力。实际上，与其优化全部的  k×(n+1)  个参数  (θ1,θ2,…,θk)  （其中  θj∈Rn+1  ），我们可以令  θ1=0⃗  ，只优化剩余的  (k−1)×(n+1)  个参数，这样算法依然能够正常工作。

在实际应用中，为了使算法实现更简单清楚，往往保留所有参数  (θ1,θ2,…,θn) ，而不任意地将某一参数设置为 0。但此时我们需要对代价函数做一个改动：加入权重衰减。权重衰减可以解决 softmax 回归的参数冗余所带来的数值问题。

权重衰减

我们通过添加一个权重衰减项  λ2∑ki=1∑nj=0θ2ij  来修改代价函数，这个衰减项会惩罚过大的参数值，现在我们的代价函数变为： 

J(θ)=−1m⎡⎣∑i=1m∑j=1k1{y(i)=j}logeθTjx(i)∑kl=1eθTlx(i)⎤⎦+λ2∑i=1k∑j=0nθ2ij

有了这个权重衰减项以后 (  λ>0  )，代价函数就变成了严格的凸函数，这样就可以保证得到唯一的解了。 此时的 Hessian矩阵变为可逆矩阵，并且因为  J(θ)  是凸函数，梯度下降法和 L-BFGS 等算法可以保证收敛到全局最优解。

为了使用优化算法，我们需要求得这个新函数  J(θ) 的导数，如下： 

∇θjJ(θ)=−1m∑i=1m[x(i)(1{y(i)=j}−p(y(i)=j|x(i);θ))]+λθj

通过最小化  J(θ) ，我们就能实现一个可用的 softmax 回归模型。

softmax回归与logistic 回归的关系

当类别数  k=2 时，softmax 回归退化为 logistic 回归。这表明 softmax 回归是 logistic 回归的一般形式。具体地说，当  k=2  时，softmax 回归的假设函数为： 

hθ(x)=1eθT1x+eθT2x(i)[eθT1xeθT2x]

利用softmax回归参数冗余的特点，我们令  ψ=θ1 ，并且从两个参数向量中都减去向量  θ1 ，得到: 

h(x)=1e0⃗ Tx+e(θ2−θ1)Tx(i)⎡⎣e0⃗ Txe(θ2−θ1)Tx⎤⎦=⎡⎣⎢⎢⎢⎢11+e(θ2−θ1)Tx(i)e(θ2−θ1)Tx1+e(θ2−θ1)Tx(i)⎤⎦⎥⎥⎥⎥=⎡⎣⎢⎢⎢11+e(θ2−θ1)Tx(i)1−11+e(θ2−θ1)Tx(i)⎤⎦⎥⎥⎥

因此，用  θ′  来表示  θ2−θ1  ，我们就会发现 softmax 回归器预测其中一个类别的概率为  11+e(θ′)Tx(i)  ，另一个类别概率的为  1−11+e(θ′)Tx(i)  ，这与 logistic回归是一致的。

softmax 回归 vs. k 个二元分类器

如果你在开发一个音乐分类的应用，需要对k种类型的音乐进行识别，那么是选择使用 softmax 分类器呢，还是使用 logistic 回归算法建立 k 个独立的二元分类器呢？ 
这一选择取决于你的类别之间是否互斥，例如，如果你有四个类别的音乐，分别为：古典音乐、乡村音乐、摇滚乐和爵士乐，那么你可以假设每个训练样本只会被打上一个标签（即：一首歌只能属于这四种音乐类型的其中一种），此时你应该使用类别数 k = 4 的softmax回归。（如果在你的数据集中，有的歌曲不属于以上四类的其中任何一类，那么你可以添加一个“其他类”，并将类别数 k 设为5。） 
如果你的四个类别如下：人声音乐、舞曲、影视原声、流行歌曲，那么这些类别之间并不是互斥的。例如：一首歌曲可以来源于影视原声，同时也包含人声 。这种情况下，使用4个二分类的 logistic 回归分类器更为合适。这样，对于每个新的音乐作品 ，我们的算法可以分别判断它是否属于各个类别。 
现在我们来看一个计算视觉领域的例子，你的任务是将图像分到三个不同类别中。(i) 假设这三个类别分别是：室内场景、户外城区场景、户外荒野场景。你会使用sofmax回归还是 3个logistic 回归分类器呢？ (ii) 现在假设这三个类别分别是室内场景、黑白图片、包含人物的图片，你又会选择 softmax 回归还是多个 logistic 回归分类器呢？ 
在第一个例子中，三个类别是互斥的，因此更适于选择softmax回归分类器 。而在第二个例子中，建立三个独立的 logistic回归分类器更加合适。

中文译者： 
曾俊瑀（knighterzjy@gmail.com）, 王方（fangkey@gmail.com），王文中（wangwenzhong@ymail.com）

后续会进行代码实现，敬请关注！