Softmax-with-Loss 层（Softmax 函数和交叉熵误差）的计算说明

https://blog.csdn.net/weixin_43114885/article/details/90478622

笔记(八)，其中

Softmax-with-Loss 层（Softmax 函数和交叉熵误差）的计算图如下：

 

其中Softmax 函数（笔记四）

• 可以减去输入的最大值来防止溢出

a = np.array([1010, 1000, 990])

y=np.exp(a) / np.sum(np.exp(a)) # softmax函数的运算
print(y)       # 没有被正确计算
c = np.max(a) # 1010
c = a - c    #将每个元素值减小
print(c)
y=np.exp(c) / np.sum(np.exp(c))
print(y)
 

笔记（五）

交叉熵误差

−lnx对应的函数图像如下：

而
0≤yk≤1

所以输出的概率越小损失函数越大，和监督数据越不吻合。