通俗易懂！详解Softmax及求导过程、Python实现、交叉熵

---

前言

本文是对一篇国外的讲解Softmax的文章的翻译。

---

Softmax函数的输入是一个N维的向量，向量元素是任意实数，输出也是一个N维的向量，但是有如下性质：

1. 输出向量元素取值范围是(0, 1)
2. 对输出向量的所有元素求和时，和为1

Softmax函数是这样一个映射 $S(a):{\mathbb{R}}^N\to {\mathbb{R}}^N$

$$S(a):\left[\begin{array}{c}{a}_1\\ a_2\\ ...\\ a_N\end{array}\right]\to \left[\begin{array}{c}{S}_1\\ S_2\\ ...\\ S_N\end{array}\right]$$
并且对于每个元素，用的是如下公式
$$S_j=\frac{e^{a_j}}{{\sum }_{i=1}^N{e}^{a_k}},{\forall }_j\in 1...N$$
我们很容易看到，$S_j$永远是正数（因为式中全是对$e$求幂），并且由于在分母中包含了分子与其它正数求和，所以$0<S_j<1$。

举个例子，向量[1.0, 2.0, 3.0]通过Softmax变成了[0.09, 0.24, 0.67]。元素顺序不变，并且和为1。假如是[1.0, 2.0, 5.0]通过Softmax变成了[0.02, 0.05, 0.93]，同样是顺序不变，且和为1。可以注意到，0.93比另外2个数字大很多，而且在和为1的情况下，0.93已经占了绝大多数。直观地来讲，Softmax函数是“温柔”版的最大值函数，不同的是，Softmax没有直接取一个最大值，而是将所有元素变成各自占 $100\%$ 的不同比例，元素占比越大，Softmax最终的输出值就越大，当然其他元素得出的值就越小。[1]

一、概率学解释

Softmax的两个性质使得它非常适合用概率来解释，这也让Softmax在机器学习领域大有用途。在多分类任务中，我们希望给每个输入做一个标注，标注它属于每个类的概率是多大。

如果我们有N个类别，目标就是找到一个N维向量，每个元素代表这个样本是此类别的概率，这个向量元素求和是1。听起来是不是比较熟悉？

我们可以把Softmax解释成如下所示：
$$S_j=P(y=j|a)$$
其中，$y$代表输出的类别，范围是$1...N$，$a$是一个N维向量。有一个最基础的例子就是在多分类逻辑回归中，我们会把一个输入向量$x$和一个权重向量$w$做点积，然后这个点积被输入到Softmax中去计算概率。这种结构后面会讲到

我们可以发现，从概率学角度看，Softmax用于模型参数的最大似然估计是最优的，但是这超出了本文范围，具体可以看Deep Learning的第5章。

二、Softmax求导

1.向量微积分

在开始对Softmax进行求导之前，我们先看看如何对向量求导。

Softmax本质上是一个向量函数，输入输出都是向量，换句话说，Softmax有多个输入和多个输出，所以我们不能直接就问“Softmax的导数是什么”，我们应该这么问：

1. 在Softmax输出的向量中，我们要计算的是哪个元素的导数值？
2. 别忘了Softmax的输入也是向量，有多个元素，所以我们是在关于哪个变量在求偏导呢？

如果你觉得这个听起来很复杂，不要担心，向量微积分就是用来干这事的！我们要找的是这些偏导数：

$$\frac{\partial S_i}{\partial a_j}$$

这是$第i个输出关于第j个输入求偏导$，我们把这个记作：$D_j{S}_i$。

由于Softmax是 ${\mathbb{R}}^N\to {\mathbb{R}}^N$的函数，如果整体求导，我们实际上求的是一个$雅可比矩阵（JacobianMatrix）$：

$$DS=\left[\begin{array}{cccc}{D}_1{S}_1& \cdots & D_N{S}_1& \\ ⋮& \ddots & ⋮& \\ D_N{S}_1& \cdots & D_N{S}_N& \end{array}\right]$$

在机器学习的文章中，“梯度”常被用来代替“导数”。严格地说，“梯度”是仅针对于标量而定义的（比如机器学习中的损失函数），但对于像Softmax这样的向量函数来说，用“梯度”是不准确的，“雅可比矩阵”才是对向量函数的导数的名称，但是为了方便描述，大多数场合我也直接用“导数”来描述。

2.Softmax的导数

让我们开始计算 $D_j{S}_i（任意i和j）$：

$$\begin{array}{rl}{D}_j{S}_i& =\frac{\partial S_i}{\partial a_j}\\ & =\frac{\partial \frac{e^{a_j}}{{\sum }_{k=1}^N{e}^{a_k}}}{\partial a_j}\end{array}$$

我们使用一下分式函数求导公式：
$$\begin{gathered} 对于f(x)=\frac{g(x)}{h(x)} \\ {f}^{\prime }(x)=\frac{g^{\prime }(x)h(x)-h^{\prime }(x)g(x)}{h^2(x)} \end{gathered}$$

我们让 $g_i=e^{a_i}，h_i={\sum }_{k=1}^N{e}^{a_k}$ ，注意无论 $h_i$ 关于哪个 $a_j$ 求偏导结果都是 $e^{a_{}}$