softmax:重新定义了多层神经网络的输出层(output layer),注意仅和输出层有关系,和其他层无关。
- softmax function,也称为 normalized exponential(指数族分布的观点);
1. softmax
我们知道在神经网络的前馈(feedforward)的过程中,输出层的输入(input)为:
在 softmax 的机制中,为获得输出层的输出(也即最终的输出),我们不是将 sigmoid 函数作用于其上,
而是采用所谓的 softmax function:
因此:
(1)输出层输出之和为 1
∑kaLk=∑kezLk∑kezLk=1 ∑ k a k L = ∑ k e z k L ∑ k e z k L = 1因为输出层的输出之和为1,其中一项增加,其他所有项则会相应减少。
(2)输出层全部输出均为正:
而且 softmax 的机制,也保证了所有的输出均为正值;
终上所述,softmax 层的输出其实为一种概率分布(probability distribution),因此对于一个多 label 的分类任务(比如手写字符识别,0-9)而言, aLj a j L 对应于最终的分类结果为 j j 的概率。
2. logsoftmax
将原始数据从 x ⇒ log (x),无疑会原始数据的值域进行一定的收缩。
进一步地,还可对原始数据进行进一步的预处理( xi=xi−max(x) x i = x i − max ( x ) ),
# 假设 x 是一个向量
def logsoftmax(x):
m = T.max(x)
exp_x = T.exp(x-m)
Z = T.sum(exp_x)
return x-m-T.log(Z)
3. 梯度计算与反向更新
label 有 m m 个不同取值,则:
yi y i 是对激活值 zi z i 的概率化, {yi}i=1,2,⋯,m { y i } i = 1 , 2 , ⋯ , m 构成输出预测的概率分布。其具有很好的求导性质:
有时会取 softmax 的负对数形式作为损失函数:
在反向求导时,需要计算负对数似然关于 zi z i 的导数: