在处理多分类问题时,tf.nn.softmax(x, axis) 函数是一定要使用的,那么这里的 axis 到底有什么用呢?
二维数组
首先,我们来看在二维数组中的情况:
A = np.array([[1, 2, 3], [1, 2, 3], [1, 2, 3], [1, 2, 3]])
A = tf.cast(A, tf.float32)
A
<tf.Tensor: id=135, shape=(4, 3), dtype=float32, numpy=
array([[1., 2., 3.],
[1., 2., 3.],
[1., 2., 3.],
[1., 2., 3.]], dtype=float32)>
当我们将这个数组输入 softmax 层后,我们改变 axis 来查看输出结果的不同:
tf.nn.softmax(A, axis=0)
<tf.Tensor: id=360, shape=(4, 3), dtype=float32, numpy=
array([[0.25, 0.25, 0.25],
[0.25, 0.25, 0.25],
[0.25, 0.25, 0.25],
[0.25, 0.25, 0.25]], dtype=float32)>
tf.nn.softmax(B, axis=1)
<tf.Tensor: id=361, shape=(4, 3), dtype=float32, numpy=
array([[0.09003057, 0.24472848, 0.66524094],
[0.09003057, 0.24472848, 0.66524094],
[0.09003057, 0.24472848, 0.66524094],
[0.09003057, 0.24472848, 0.66524094]], dtype=float32)>
由此可见,当在第一个维度上使用 softmax 层时,输出数组的计算过程如下:
e
e
+
e
+
e
+
e
=
0.25
\frac{e}{e+e+e+e}=0.25
e+e+e+ee=0.25
e
2
e
2
+
e
2
+
e
2
+
e
2
=
0.25
\frac{e^2}{e^2+e^2+e^2+e^2}=0.25
e2+e2+e2+e2e2=0.25
e
3
e
3
+
e
3
+
e
3
+
e
3
=
0.25
\frac{e^3}{e^3+e^3+e^3+e^3}=0.25
e3+e3+e3+e3e3=0.25
当在第二个维度上使用 softmax 层时,输出数组的计算过程如下:
e
e
+
e
2
+
e
3
=
0.09003057
\frac{e}{e+e^2+e^3}=0.09003057
e+e2+e3e=0.09003057
e
2
e
+
e
2
+
e
3
=
0.24472848
\frac{e^2}{e+e^2+e^3}=0.24472848
e+e2+e3e2=0.24472848
e
3
e
+
e
2
+
e
3
=
0.66524094
\frac{e^3}{e+e^2+e^3}=0.66524094
e+e2+e3e3=0.66524094
三维数组
然后,我们创建一个三维数组来进行测试:
A = np.array([[[1, 2, 3], [1, 2, 3], [1, 2, 3]], [[2, 3, 5], [2, 3, 5], [2, 3, 5]]])
A = tf.cast(A, tf.float32)
A
<tf.Tensor: id=266, shape=(2, 3, 3), dtype=float32, numpy=
array([[[1., 2., 3.],
[1., 2., 3.],
[1., 2., 3.]],
[[2., 3., 5.],
[2., 3., 5.],
[2., 3., 5.]]], dtype=float32)>
令 axis=0:
tf.nn.softmax(A, axis=0)
<tf.Tensor: id=392, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0.26894143, 0.26894143, 0.11920291],
[0.26894143, 0.26894143, 0.11920291],
[0.26894143, 0.26894143, 0.11920291]],
[[0.7310586 , 0.7310586 , 0.880797 ],
[0.7310586 , 0.7310586 , 0.880797 ],
[0.7310586 , 0.7310586 , 0.880797 ]]], dtype=float32)>
此时我们可以这样理解,将数组写成:
[[[1., 2., 3.], [1., 2., 3.], [1., 2., 3.]],
[[2., 3., 5.], [2., 3., 5.], [2., 3., 5.]]]
然后按照第一维度计算:
e
e
+
e
2
=
0.26894143
\frac{e}{e+e^2}=0.26894143
e+e2e=0.26894143
e
2
e
2
+
e
3
=
0.26894143
\frac{e^2}{e^2+e^3}=0.26894143
e2+e3e2=0.26894143
…
…
……
……
令 axis=1:
tf.nn.softmax(A, axis=1)
<tf.Tensor: id=423, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0.33333334, 0.33333334, 0.33333334],
[0.33333334, 0.33333334, 0.33333334],
[0.33333334, 0.33333334, 0.33333334]],
[[0.33333334, 0.33333334, 0.33333334],
[0.33333334, 0.33333334, 0.33333334],
[0.33333334, 0.33333334, 0.33333334]]], dtype=float32)>
此时的计算规则是:将整个数组分成两个
3
×
3
3\times 3
3×3 的小数组,这两个小数组在之后的运算中毫无关联。这与 axis=0 时的运算规则有很大的区别,因为当 axis=0 时,所有的计算都有这两个小数组共同参与。
e
e
+
e
+
e
=
0.33333334
\frac{e}{e+e+e}=0.33333334
e+e+ee=0.33333334
e
2
e
2
+
e
2
+
e
2
=
0.33333334
\frac{e^2}{e^2+e^2+e^2}=0.33333334
e2+e2+e2e2=0.33333334
…
…
……
……
e
5
e
5
+
e
5
+
e
5
=
0.33333334
\frac{e^5}{e^5+e^5+e^5}=0.33333334
e5+e5+e5e5=0.33333334
令 axis=2:
tf.nn.softmax(A, axis=2)
<tf.Tensor: id=424, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0.09003057, 0.24472848, 0.66524094],
[0.09003057, 0.24472848, 0.66524094],
[0.09003057, 0.24472848, 0.66524094]],
[[0.04201007, 0.11419519, 0.8437947 ],
[0.04201007, 0.11419519, 0.8437947 ],
[0.04201007, 0.11419519, 0.8437947 ]]], dtype=float32)>
此时的计算规则与 axis=1 时的运算规则相似,两个小数组之间仍然没有关系。
e
e
+
e
2
+
e
3
=
0.09003057
\frac{e}{e+e^2+e^3}=0.09003057
e+e2+e3e=0.09003057
e
2
e
+
e
2
+
e
3
=
0.24472848
\frac{e^2}{e+e^2+e^3}=0.24472848
e+e2+e3e2=0.24472848
e
3
e
+
e
2
+
e
3
=
0.66524094
\frac{e^3}{e+e^2+e^3}=0.66524094
e+e2+e3e3=0.66524094
e
2
e
2
+
e
3
+
e
5
=
0.04201007
\frac{e^2}{e^2+e^3+e^5}=0.04201007
e2+e3+e5e2=0.04201007
e
3
e
2
+
e
3
+
e
5
=
0.11419519
\frac{e^3}{e^2+e^3+e^5}=0.11419519
e2+e3+e5e3=0.11419519
e
5
e
2
+
e
3
+
e
5
=
0.8437947
\frac{e^5}{e^2+e^3+e^5}=0.8437947
e2+e3+e5e5=0.8437947