SoftMax函数

SoftMax函数主要用于神经网络输出层设计，通过纳皮尔常数e的指数形式对输出层原始数组进行转换，对转换后数组求和，计算每个元素与数组求和后所占比例。由于softmax输出数组中所有元素之和为1，因此输出层使用softmax函数进行转换后相当于求每个元素概率。

python实现：

import numpy as np
def softmax(a):
    c = np.max(a)
    exp_a = np.exp(a - c)   #防止溢出
    sum_exp_a = np.sum(exp_a)
    y = exp_a / sum_exp_a
    return y

java实现：

public double[] softMax(double[] arr) {
		int length = arr.length;
		Arrays.sort(arr);
		double max = arr[length - 1];
		double[] exp_a = new double[arr.length];
		for(int i = 0; i < length; i++) {
			exp_a[i] = Math.pow(Math.E, arr[i] - max);
		}
		double sum = 0;
		for(int i = 0; i < length; i++) {
			sum += exp_a[i];
		}
		double[] result = new double[length];
		for(int i = 0; i < length; i++) {
			result[i] = exp_a[i] / sum;
		}
		return result;
	}