Softmax求导

在神经网络中，我们经常可以看到以下公式，用于计算结点的激活值：

直接甩出Softmax的公式：

n表示类别数，z表示输出向量，zj表示向量z的第j个值。

对Softmax求导：

显然是目标是和

根据求导的链式法则：

所以核心问题就转换为求 ，在接触到这个式子的时候，考虑到一个问题，为什么这里是对求导而不是对求导，

接下来举例说明：

从图中可以得到

z4 = w41*o1+w42*o2+w43*o3

z5 = w51*o1+w52*o2+w53*o3

z6 = w61*o1+w62*o2+w63*o3

那么我们可以经过softmax函数得到：

在中，仅包含了，也包含了、，也一样，不仅包含了，也包含了、，如果只使用求导，

会有大量的不参与计算，所以要使用，对和分情况讨论即可。

接下来进行求导：

  
                                               

当时：

                                                         

由（2）可得：

当时：

 

可得：

根据（2）可得：

因此可得出：

参考

详解softmax函数以及相关求导过程

【深度学习】：超详细的Softmax求导

Deep Learning基础--Softmax求导过程卷积神经网络系列之softmax loss对输入的求导推导

卷积神经网络系列之softmax loss对输入的求导推导