矩阵的乘法、乘积(点积）和softmax函数的溢出

矩阵的乘法比较简单，对应元素分别相乘即可，比如：

a1=np.array([1,2])
a2=np.array([3,5])
a3=np.array([[1,2],[3,4]])
[[1,2],
[3,4]]
a4=np.array([[2,3],[5,6]])
[[2,3],
[5,6]]

乘法运算
a1*a2
array([ 3, 10])

a3*a4
array([[ 2,  6],
       [15, 24]])

a1*a4
array([[ 2,  6],
       [ 5, 12]])

     一般来说矩阵的乘积（也叫点积）使用的比较多，矩阵的乘积在神经网络里面非常常见且很重要，所以数组的相关属性需要非常熟悉，比如形状(shape)，维度(ndim)等
两个数组能否做点积运算，需要查看形状对应维度的元素个数是否一致，不一致就会报错，比如2x3的形状和3x2的形状的数组就可以进行乘积运算，因为第一个矩阵的列和第二个矩阵的行的数量是一样的，点积之后的形状取决于第一个矩阵的行和第二个矩阵的列，具体点积的结果如下图：

 只要符合上述条件，矩阵和一维数组（广播效果）也是可以进行点积的运算！

 附带softmax函数简单介绍下，比如获取一个输出神经元的值的公式，其中分子是它的指数函数，分母是指数函数的和

因为指数函数值很大，很容易就发生溢出，经过变换（分子分母乘以一个常数）之后的第二个公式，可以防止溢出的发生

softmax函数的值区间是在0到1，还有一个特点就是输出的和的值是1，所以可以作为概率来使用

其中上述代码有map和list的转换，如果没有的话，因为输出是数组不能直接格式化，会报类型错误，需要map进行映射再做类型转换

print('概率：'+'{:.2%}'.format(softmax(dog)))
TypeError: unsupported format string passed to numpy.ndarray.__format__

map函数是map(func, *iterables)，通过第一个参数的函数来进行迭代处理，如：

def m(x):
    return x+100
print(list(map(m,[22,3,50])))

[122, 103, 150]

 也可以使用lambda表达式来表示匿名函数：

print(list(map(lambda x:x+100,[22,3,50])))
[122, 103, 150]