【机器学习笔记13】softmax多分类模型【上篇】完整流程与详细公式推导

推荐阅读

相关文章

• 【1】【机器学习笔记1】一元线性回归模型及预测_Twilight Sparkle.的博客-CSDN博客_一元线性回归模型预测
• 【2】【机器学习笔记4】逻辑回归模型_Twilight Sparkle.的博客-CSDN博客_逻辑回归模型
• 【3】对数损失和交叉熵损失_InceptionZ的博客-CSDN博客_深度学习对数和交叉熵的区别是什么

参考文章

• 【1】【深度学习】：超详细的Softmax求导_BQW_的博客-CSDN博客_softmax 导数

前言

早在写逻辑回归二分类时就提到过多分类的问题，时隔两个月终于可以把当初这个坑填上了。softmax本应该属于深度学习的笔记，但归为机器学习的笔记，也没什么不妥。好了，闲话不多说。

本篇为softmax多分类器的原理与公式详细推导，关于softmax的具体代码实现和应用将在下一章说明。

softmax多分类器简介

softmax多分类器，一种基于softmax函数的分类器，它可以预测一个样本属于每个样本的概率。softmax一般用于神经网络的输出层，叫做softmax层。

不过不必担心，本篇文章对神经网络没有要求，即使没学过神经网络，也可以学会softmax，并在下一篇文章中学会自己实现softmax代码并完成一个具体的训练和预测示例。

如何利用softmax对样本进行分类

问题引入

如何使用训练集训练一个基于softmax函数的多分类模型，并使用该模型对测试集进行预测？

好吧，这个问题引入写的有点草率了，想了一会儿没啥好写的，就是多分类问题。

明确变量与集合

为了在接下来的推导过程中不搞混各变量的含义，我们需要先明确涉及的变量和集合。

1. 设样本集含有N个样本,令样本集为X,则 X = { x 1 , x 2 , x 3 . . . , x N } X = \{x^1,x^2,x^3...,x^N\} X={x1,x2,x3...,xN}。注意这里使用的上标，这样写是为了后续方便表示样本的特征。
2. 设任意一个样本含有M个特征，令任意一个样本为$x$,则$x=(x_1,x_2,x_3,...,x_M)$。则第i个样本的第j个特征表示为$x_j^i$。
3. 设样本集共分为K类。记分类集为C,则 C = { c 1 , c 2 , . . . , c K } C = \{c_1,c_2,...,c_K\} C={c1​,c2​,...,cK​}。
4. 设样本集对应的label集为Y,每一个样本对应一个y,则 Y = { y 1 , y 2 , y 3 , . . , y N } Y=\{y_1,y_2,y_3,..,y_N\} Y={y1​,y2​,y3​,..,yN​}。其中，$y_i$ 的值为$0\sim K-1$ 中的一个整数。

进一步处理

对label向量化

回顾二分类问题，样本的label要么是0，要么是1。现在变成多分类了，那么样本的label就变成了$0\sim K-1$ 中任意一个整数。这就不便于我们计算了，所以需要将label进行向量化：

若第i个样本属于第K个分类，即$y_i=c_k$。那么对其进行向量化后：
$$y_i=(0,...,1,...,0)$$
仅在第K-1的位置上值为1，其他位置均为0。

示例

假设共有5个分类，样本$x^i$ 属于第3类，则：
$$y_i=(0,0,1,0,0)$$

对样本特征进行加权组合

在进入softmax层之前，不得不提到特征的加权组合。在神经网络中，这一步的处理其实叫做隐藏层，不过这里就不对隐藏层做拓展了。

为了使softmax拥有一套完整的流程，我们这里对样本特征进行最简单的线性加权组合：

---

现在有任意一个样本$x=(x_1,x_2,x_3,...,x_M)$ 。$x_i$表示该样本的第$i$个特征。令
$$z_k=w_k^{T}x+b_k=(\sum _{i=1}^M{w}_{k,i}{x}_i)+b_k$$
现在多出了几个参数，下面对它们进行说明：

1. $z$：对样本$x$的特征进行线性加权组合后得到的输出，$z=(z_1,z_2,...,z_K)$ 。有几个分类就有就有几个$z_k$。
2. $z_k$：表示对样本的特征进行权值向量为$w_k$ 的线性变换后得到的值，为标量。
3. $w_k$：第k个权值向量，维度与$x$一样，$(1,N)$。

将$b_k$放在$w_k$ 里：

只需要将$w_k$加一列，即$w_k=(...,b_k)$，

然后再往$x$加一列，即$x=(...,1)$ 。

就可以将$z_k$ 的表达式变为:$z_k=w_k^{T}x$

图示（不含$b_k$的情况）：

softmax激活函数

激活函数也是神经网络里的称呼，直接叫softmax函数也没问题。

简单来说，softmax预测分类是作用在$z_k$ 上的，这也是为什么之前我们需要对样本特征进行加权组合得到$z_k$。接下来给出公式：
$$a_k=P(y=c_k|x,\theta )=\frac{e^{z_k}}{{\sum }_{i=1}^K{e}^{z_i}},k=0,1,...,K-1$$

稍微解释一下这个公式：在模型参数$\theta$固定，且样本已知的情况下，该样本属于第K个分类的概率等于后面那一坨公式。(本文中$\theta$即各权值向量$w_k$)

通过softmax激活函数得到各分类预测概率

将一个样本对应的$a_k$ 全部算出来，这些$a_k$ 就是该样本属于各分类的预测概率。

---

示例

假设一个样本$x$的特征进行加权组合后得到的$z$为：
$$z=(0.6,1.1,-1.5,1.2,3.2,-1.1)$$
经过softmax激活后：
$$a=(0.055,0.090,0.0067,0.10,0.74,010)$$
比如其中的0.74表示：在已知权值$w$ 的情况下，某一个样本$x$ 属于第5个分类的概率为0.74。

那么如果这是在做测试集的测试，根据“属于谁的概率最大就选谁”的原则，我们可以说x的预测分类为第5个分类，即$label=4$ 。不过在训练集训练模型时，我们只求到x属于每个类别的概率。

---

在神经网络中，将上述过程描述为神经网络的正向传播。

总结softmax的正向传播流程

1. 固定模型参数$\theta$ ,在本篇文章中，$\theta$ 即各权值向量$w_k$。
2. 对于一个样本$x=(x_1,x_2,...,x_M)$，先对它的特征做加权组合得到$z=(z_1,..,z_K)$。在本篇文章中，我们仅做了一次线性加权组合。而在神经网络中，可能会对x的特征做多次变换，即隐藏层不止一层。
3. 对$z$ 进行softmax激活得到$a=(a_1,...a_K)$，$a_k$ 表示样本x属于第k类的概率。

引出新的问题

我们进行正向传播时，是在模型参数$\theta$ 已知的情况下进行。而我们现在已知的只有训练集，怎么根据训练集得到这个模型参数$\theta$ 呢？

答案是迭代。我们可以随机初始化模型参数$\theta$，然后通过某种算法一轮一轮的更新$\theta$ ,直到$\theta$ 收敛。

在softmax分类器中，我们使用梯度下降算法对$\theta$进行优化。关于梯度下降算法请见相关文章【1】，在这里就不多说了。

softmax损失函数

损失函数之前的文章已经提到过N次了，不过这里还是说一下。损失函数是用来衡量label预测值和真实值之间的某种差距的函数。常见的损失函数有0-1损失函数、对数损失函数、平方损失函数等等。每种模型需要选择的损失函数不同。如果损失函数选择不当，会对优化过程造成很大影响，详情请见相关文章【2】。

损失函数和代价函数的区别

说来惭愧，我一直都没真正搞清楚损失函数和代价函数的区别，所以之前写文章可能存在这两个词汇混用的问题。这次专门区分一下两者的区别。

损失函数

损失函数（Loss Function ）是定义在单个样本上的，描述单个样本的label预测值与真实值的某种差距。一般记为$L(\hat{y},y)$ 。

代价函数

代价函数（Cost Function ）是定义在整个训练集上的，是所有样本误差的平均，也就是损失函数的平均。一般记为$J(...)$。“...”指代的一般为模型未知参数，有许多种写法。
$$J(...)=\frac{1}{N}\sum _{i=0}^{N-1}L(\hat{y},y)$$
其中，N为本次参加训练的样本个数。

我们进行梯度下降时使用的是代价函数求偏导，而对代价函数求偏导其实只需要对损失函数求偏导，然后求个平均就是代价函数求偏导。所以接下来的求偏导过程写的是对损失函数求偏导。不过在最后的总结时，会对损失函数求偏导的结果求平均变成代价函数求偏导的结果。

softmax的损失函数表达式

softmax分类器选用的是交叉熵损失函数。有的文章也说是选用对数损失函数。这是因为：

对数损失函数(Log loss function)和交叉熵损失函数(Cross-entroy loss function)表达式本质式一样的。不过这两种损失函数对应的上一层结构不同，对数损失函数经常对应的是Sigmoid函数的输出，用于二分类问题；而交叉熵损失函数经常对应的是Softmax函数的输出，用于多分类问题。详情请见相关文章【3】。

$$L(\hat{y},y)=-\sum _{k=1}^K{y}_{k}log{a}_k$$

注，log通常以2为底，有的文章也会使用ln。

其中：

• $\hat{y}$: 单个训练样本label预测值，$\hat{y}=(a_1,...,a_k)$; 例如：$\hat{y}=(0.055,0.090,0.0067,0.10,0.74,010)$
• $y$:单个训练样本label真实值,$y=(y_1,...,y_k)$; 例如：$y=(0,0,0,0,1,0)$
• $y_k$: 单个训练样本属于第k类的真实值，取值0或1
• $a_k$：单个训练样本属于第k类的预测值，为一个概率值

对代价函数进行梯度下降

梯度下降算法步骤

回顾梯度下降算法的步骤：

1. 初始化模型未知参数$W=(w_1,..,w_K)$，其中每一个$w_k$ 为向量，维度与样本x相同。K的值与类别数相同。
2. 重复进行以下公式直到收敛：

$$w_k=w_k-\alpha \frac{\partial J}{\partial w_k},k=0,1,...,K-1$$

对上述公式进行说明：

为什么没有$b_k$?

$b_k$被融合到向量$w_k$里了。最后总结结果时会单独把$b_k$ 提出来。

$\alpha$是什么？

学习率，是需要人工调整的超参数。它控制的是梯度下降中每一步的跨度大小。关于学习率更多说明请见相关文章【1】。

这个公式里明明是对代价函数J求偏导，为什么下面推导的是损失函数求偏导？

刚才在区分代价函数和损失函数时有说过，对求得的损失函数偏导求平均就是代价函数求偏导的结果。

---

损失函数求偏导的详细推导

此部分参考了文章：参考文章【1】

之前提到的softmax损失函数：
$$L(\hat{y},y)=-\sum _{k=1}^K{y}_{k}log{a}_k(1)$$
其中，
$$\begin{array}{rl}& a_k=\frac{e^{z_k}}{{\sum }_{i=1}^K{e}^{z_i}}(2)\\ & z_k=w_k^{T}x=\sum _{i=1}^M{w}_{k,i}{x}_i(3)\\ & k=0,1,...,K-1\end{array}$$
现在需要求：$\frac{\partial L(\hat{y},y)}{\partial w_k}$

根据链式求导法则,有：
$$\frac{\partial L(\hat{y},y)}{\partial w_k}=\frac{\partial L(\hat{y},y)}{\partial z_k}\cdot \frac{\partial z_k}{\partial w_k}(4)$$

---

1 求解$\frac{\partial z_k}{\partial w_k}$
$$\begin{array}{rl}\frac{\partial z_k}{\partial w_k}& =\frac{\partial (w_k^{T}x)}{\partial w_k}=x(5)\end{array}$$

---

2 求解$\frac{\partial L(\hat{y},y)}{\partial z_k}$

这也是整个softmax最关键的一步，很多教程推完这里就结束了。

根据（2）式，$a_j$ 均包含$z$的所有分量,所以要求$z_k$ 的偏导，所以对于$z_k$的偏导，每一个$a_j$ 都有贡献：
$$\frac{\partial L(\hat{y},y)}{\partial z_k}=\sum _{j=1}^K[\frac{\partial L(\hat{y},y)}{\partial a_j}\frac{\partial a_j}{\partial z_k}](6)$$
2.1 求解$\frac{\partial L(\hat{y},y)}{\partial a_j}$
$$\begin{array}{rl}\frac{\partial L(\hat{y},y)}{\partial a_j}& =\frac{\partial (-{\sum }_{j=1}^K{y}_{j}log{a}_j)}{\partial a_j}=-\frac{y_j}{a_j}(7)\end{array}$$

2.2 求解$\frac{\partial a_j}{\partial z_k}$

刚才说过，每一个$a_j$ 都要对$z_k$ 求导，那自然有两种情况：$j=k$ 和$j\ne k$ 。现在对这两种情况分开讨论。

2.2.1 当$j\ne k$
$$\begin{array}{rl}\frac{\partial a_j}{\partial z_k}& =\frac{\partial (\frac{e^{z_j}}{{\sum }_{i=1}^K{e}^{z_i}})}{\partial z_k}\\ & =-e^{z_j}\frac{1}{({\sum }_{i=1}^K{e}^{z_i}{)}^2}{e}^{z_k}\\ & =-\frac{e^{z_j}}{{\sum }_{i=1}^K{e}^{z_i}}\cdot \frac{e^{z_k}}{{\sum }_{i=1}^K{e}^{z_i}}\\ & =-a_j{a}_k(8)\end{array}$$
2.2.2 当$j=k$
$$\begin{array}{rl}\frac{\partial a_j}{\partial z_k}& =\frac{\partial a_k}{\partial z_k}\\ & =\frac{\partial (\frac{e^{z_k}}{{\sum }_{i=1}^K{e}^{z_i}})}{\partial z_k}\\ & =\frac{e^{z_k}{\sum }_{i=1}^K{e}^{z_i}-(e^{z_k}{)}^2}{({\sum }_{i=1}^K{e}^{z_i}{)}^2}\\ & =\frac{e^{z_k}}{{\sum }_{i=1}^K{e}^{z_i}}(1-\frac{e^{z_k}}{{\sum }_{i=1}^K{e}^{z_i}})\\ & =a_k(1-a_k)(9)\end{array}$$
2.2.3 将（7）、（8）、（9）代入（6）求解
$$\begin{array}{rl}\frac{\partial L(\hat{y},y)}{\partial z_k}& =\sum _{j=1}^K[\frac{\partial L(\hat{y},y)}{\partial a_j}\frac{\partial a_j}{\partial z_k}]\\ & =\sum _{j=1}^K[-\frac{y_j}{a_j}\frac{\partial a_j}{\partial z_k}]\\ & =-\frac{y_k}{a_k}\frac{\partial a_k}{\partial z_k}+\sum _{j=1,j\ne k}^K[-\frac{y_j}{a_j}\frac{\partial a_j}{\partial z_k}]\\ & =-\frac{y_k}{a_k}{a}_k(1-a_k)+\sum _{j=1,j\ne k}^K[-\frac{y_j}{a_j}\cdot -a_j{a}_k]\\ & =y_k(a_k-1)+\sum _{j=1,j\ne k}^K{y}_j{a}_k\\ & =-y_k+y_k{a}_k+\sum _{j=1,j\ne k}^K{y}_j{a}_k\\ & =-y_k+a_k\sum _{j=1}^K{y}_j(10)\end{array}$$
ok,到这里已经初步求出了损失函数对$z_k$ 的偏导。不过我们还可以对它进一步优化，所以我们现在考虑y的特点，前面说过：

$y$:单个训练样本label真实值,$y=(y_1,...,y_k)$; 例如：$y=(0,0,0,0,1,0)$

也就是说向量y中只有一个值为1,所以${\sum }_{j=1}^K{y}_j=1$ 。

于是(9)式将变为:
$$\frac{\partial L(\hat{y},y)}{\partial z_k}=a_k-y_k(11)$$
其中，

• $a_k$: 单个训练样本属于第k类的预测值，为一个概率值。
• $y_k$: 单个训练样本属于第k类的真实值，取值0或1

到此为止，softmax最核心的偏导已经推导完毕。多么简约美妙的一个公式！

---

3.将（5）、（11）代入（4）求解L对$w_k$的偏导
$$\begin{array}{rl}\frac{\partial L(\hat{y},y)}{\partial w_k}& =\frac{\partial L(\hat{y},y)}{\partial z_k}\cdot \frac{\partial z_k}{\partial w_k}\\ & =(a_k-y_k)x\end{array}$$
3.1 取出$b_k$

最开始说了，我们计算时先把$b_k$ 融进$w_k$ 了。现在将它取出来：

因为把$b_k$融合进$w_k$ 后，$w_k$最后一个分量为$b_k$ 。而$x$最后一个分量为1。所以 $z_k$对$w_k$ 求偏导后，$b_k$那个分量对应的偏导就是1。所以
$$\frac{\partial L(\hat{y},y)}{\partial b_k}=a_k-y_k$$

结果总结

好了，现在来总结一下softmax损失函数求偏导的结果：
$$\begin{array}{rl}& \frac{\partial L(\hat{y},y)}{\partial w_k}=(a_k-y_k)x\\ & \frac{\partial L(\hat{y},y)}{\partial b_k}=a_k-y_k\end{array}$$

更新权重

还记得梯度下降的步骤吗？

梯度下降更新权重时，是用的代价函数的偏导更新的，我们刚才求导的只是损失函数的偏导。所以还需要对它们求平均。
$$\begin{array}{rl}& \frac{\partial J}{\partial w_k}=\frac{1}{N}\sum _{i=0}^{N-1}(a_k-y_k)x\\ & \frac{\partial J}{\partial b_k}=\frac{1}{N}\sum _{i=0}^{N-1}(a_k-y_k)\end{array}$$
其中，N为本次参加训练的样本个数。另外，上述式子省去了上标$i$，上标$i$表示这是第i个样本。

顺带一提，像上面这种根据推出的结果反过去更新权重的流程，在神经网络中被称为反向传播。

总结

softmax多分类模型的训练流程

给定训练集X，训练集X共分为K类:

1. 随机初始化模型未知参数$\theta$ ，本篇文章中为随机初始化权重向量$w_k,b_k,k=1,2,...,K-1$。其中，$w_k$为向量，$b_k$ 为标量。

2. 梯度下降算法迭代更新模型参数直至收敛，每一轮具体流程如下：

   1. 先通过正向传播求得本轮训练样本预测值。
   2. 反向传播更新模型参数：

   $$\begin{array}{rl}& w_k=w_k-\alpha \frac{\partial J}{\partial w_k}=w_k-\alpha \frac{1}{N}\sum _{i=0}^{N-1}(a_k-y_k)x,k=0,1,...,K-1\\ & b_k=b_k-\alpha \frac{\partial J}{\partial b_k}=b_k-\alpha \frac{1}{N}\sum _{i=0}^{N-1}(a_k-y_k),k=0,1,...,K-1\end{array}$$

   ​ 注意：上述公式省去了上标i，上标i表示这是第i个样本。另外别把学习率的$\alpha$和预测值$a$搞混了，我写完了文章才发现这两个符号没处理好（写的长得比较像）。

softmax多分类模型的预测流程

经过训练后，模型参数已经确定。现在只需要用这些参数对需要预测的数据跑一遍正向传播就行。

不过可能在求出预测值后，需要加一步判断：哪个类别的概率最大，就认为该样本属于哪一类。

到此，整个softmax分类器说明完毕。

softmax多分类器的具体代码实现和应用

关于softmax的具体代码实现和应用将在下一篇文章介绍。在下一篇文章中，将会以经典的鸢尾花数据集为例，对其进行softmax多分类的手动代码实现。
下篇文章：【机器学习笔记14】softmax多分类模型【下篇】从零开始自己实现softmax多分类器（含具体代码与示例数据集）_Twilight Sparkle.的博客-CSDN博客