深度学习一 —— 手撕softmax

1. softmax

softmax 公式

$$softmax(x_i)=\frac{e^{x_i}}{{\sum }_j(e^{x_j})}$$

代码

import numpy as np
 
def softmax(x, axis = 1):
    assert (len(x.shape) > 1, "dimension must be larger than 1")
    x -= np.max(x, axis=axis, keepdims=True)
    x = np.exp(x) / np.sum(np.exp(x), axis=axis, keepdims=True)
    return x

注意：

为了稳定的计算softmax概率，防止$e^x$过大，出现$nan$的情况，会选择减去其最大值。