# softmax函数应用

# softmax函数应用

## 1.softmax初探

​    在机器学习中，softmax是十分常用而且重要的一个函数，尤其在多分类的场景中使用广泛。它把一些输入映射为0-1之间的实数，并且归一化保证和为1，因此多分类的概率之和也刚好为1。

​    首先我们简单来看看softmax是什么意思。顾名思义，softmax由两个单词组成，其中一个是max。比如有两个变量a,b，即哪个大取哪个值。max存在的一个问题是什么呢？如果将max看成一个分类问题，就是非黑即白，最后的输出是一个确定的变量。更多的时候，我们希望输出的是取到某个分类的概率，或者说，我们希望分值大的那一项被经常取到，而分值较小的那一项也有一定的概率偶尔被取到，所以我们就应用到了soft的概念，即最后的输出是每个分类被取到的概率。

## 2.softmax的定义

首先给一个图，这个图比较清晰地告诉大家softmax是怎么计算的。
 

假设有一个数组V，Vi表示V中的第i个元素，那么这个元素的softmax值为:

该元素的softmax值，就是该元素的指数与所有元素指数和的比值。
这个定义可以说很简单，也很直观。那为什么要定义成这个形式呢？原因主要如下。 
1.softmax设计的初衷，是希望特征对概率的影响是乘性的。 
2.多类分类问题的目标函数常常选为`cross-entropy`。
即:

其中目标类`t_k`为1，其余类的`t_k`为0。 
在神经网络模型中(`logistic regression`可看成没有隐含层的神经网络)，输出层第i个神经元的输入为

神经网络error是用 `back-propagation`训练的，这个过程中有一个关键的量是`∂L/∂αi`
。后面我们会进行详细推导。## 3.softmax求导
前面提到，在多分类问题中，我们经常使用交叉熵作为损失函数 

其中，`t_i`表示真实值，`y_i`表示求出的softmax值。当预测第`i`个时，可以认为`t_i=1`。此时损失函数变成了: 

接下来对`Loss`求导。根据定义：

我们已经将数值映射到了`0-1`之间，并且和为`1`,则有：

接下来开始求导 

上面的结果表示，我们只需要正向求出`y_i`，将结果减1就是反向更新的梯度。

4.softmax VS k个二元分类器

如果你在开发一个音乐分类的应用，需要对k种类型的音乐进行识别，那么是选择使用 softmax 分类器呢，还是使用 logistic 回归算法建立 k 个独立的二元分类器呢？ 
这一选择取决于你的类别之间是否互斥，例如，如果你有四个类别的音乐，分别为：古典音乐、乡村音乐、摇滚乐和爵士乐，那么你可以假设每个训练样本只会被打上一个标签（即：一首歌只能属于这四种音乐类型的其中一种），此时你应该使用类别数 k = 4 的softmax回归。（如果在你的数据集中，有的歌曲不属于以上四类的其中任何一类，那么你可以添加一个“其他类”，并将类别数 k 设为5。） 
如果你的四个类别如下：人声音乐、舞曲、影视原声、流行歌曲，那么这些类别之间并不是互斥的。例如：一首歌曲可以来源于影视原声，同时也包含人声 。这种情况下，使用4个二分类的 logistic 回归分类器更为合适。这样，对于每个新的音乐作品 ，我们的算法可以分别判断它是否属于各个类别。 
现在我们来看一个计算视觉领域的例子，你的任务是将图像分到三个不同类别中。(i) 假设这三个类别分别是：室内场景、户外城区场景、户外荒野场景。你会使用sofmax回归还是 3个logistic 回归分类器呢？ (ii) 现在假设这三个类别分别是室内场景、黑白图片、包含人物的图片，你又会选择 softmax 回归还是多个 logistic 回归分类器呢？ 
在第一个例子中，三个类别是互斥的，因此更适于选择softmax回归分类器 。而在第二个例子中，建立三个独立的 logistic回归分类器更加合适。

###参考文献：

1.[博文](https://blog.csdn.net/bitcarmanlee/article/details/82320853)