一、为什么会出现overflow和underflow?
计算机只能使用有限的bit来描述数字,因此当被描述的数字需要超多的bit位,而计算机的bit位不够时,计算机就不能准确地表示这些数字。
例如,因为计算机没有足够的bit位,所以不能描述一个极小的数
1
×
1
0
−
10000
1×10^{-10000}
1×10−10000 ,计算机会认为这个数是0 。这种误把一个极小的数看作 0 的现象叫做underflow。
计算机也不能描述一个极大的数
1
×
1
0
10000
1×10^{10000}
1×1010000 ,计算机会认为这不是一个数字。这种误把一个级大的数看作
+
∞
+\infty
+∞的现象叫做overflow。
上述现象被称为Rounding,Rounding有时候会产生严重的计算错误。
例如: 1 1 × 1 0 − 10000 \frac{1}{1×10^{-10000}} 1×10−100001是有意义的,且其值应该为 1 0 10000 10^{10000} 1010000 。但是由于bit位不够,计算机会把分母当成0来处理,由于分母不能为0,就会出现严重的计算错误。
由overflow和underflow现象产生的错误叫做Rounding Error。
Rounding Error有时会导致系统奔溃,所以我们必须采用一些方式来避免这种问题。
二、解决方法
解决问题的思路就是要通过变形,将极大数极小数变形为普通数,下面用softmax函数的例子来说明这个解决办法。
- softmax函数是一个归一化函数。他把一个元素取值范围为 R 的数组归一化为 (0,1) ,并且元素的和为1。归一化之后,数组的元素可以看作是概率分布。其函数形式如下:
s o f t m a x ( x i ) = e x i ∑ i = 1 N e x i softmax(x_i)=\frac{e^{x_i}}{\sum_{i=1}^{N}e^{x_i}} softmax(xi)=∑i=1Nexiexi
其中,N为数组中的元素个数, x i x_i xi的取值范围为 ( − R , R ) (-R,R) (−R,R),那么 e x i e^{x_i} exi的取值范围为 ( 0 , + ∞ ) (0,+\infty) (0,+∞);
借用知乎上一副图来说明softmax函数的计算过程(感谢该作者画出这么好的图):
- 当恰好 e x i e^{x_i} exi的值都为极小数时,计算机在计算softmax函数的过程中会把 e x i e^{x_i} exi和分母 ∑ i = 1 N e x i \sum_{i=1}^{N}e^{x_i} ∑i=1Nexi都认为是0,这时就会出现underflow;同理,当恰好 e x i e^{x_i} exi的值都为极大数时,就会出现overflow,导致计算结果出现重大错误。
- 为了解决softmax函数的underflow和overflow问题,我们要通过变形,将极大数极小数变形为普通数,具体地如下:
找出数组中最大的数,令 M = m a x ( x 1 , x 2 , . . . , x N ) M=max(x_1,x_2,...,x_N) M=max(x1,x2,...,xN),对softmax函数进行变形:
s o f t m a x ( z i ) = s o f t m a x ( x i − M ) = e x i − M ∑ i = 1 N e x i − M softmax(z_i) = softmax(x_i-M) = \frac{e^{x_i-M}}{\sum_{i=1}^{N}e^{x_i-M}} softmax(zi)=softmax(xi−M)=∑i=1Nexi−Mexi−M
变换之后,对任意的 x i ≤ M x_i\le M xi≤M, e x i − M e^{x_i-M} exi−M最小值为0,此时分子的取值范围为 ( 0 , 1 ) (0,1) (0,1),分母的取值范围为 ( 1 , N ) (1,N) (1,N),无论如何都不会出现上溢和下溢。 - 但仍然有一个问题:如果softmax函数中的分子发生下溢出时,如果我们把softmax函数的计算结果再拿去计算 log,即 log softmax,其实就相当于计算 log(0),所以会得到
−
∞
-\infty
−∞,但这实际上是错误的,因为它是由舍入误差造成的计算错误。所以,有没有一个方法,可以把这个问题也解决掉呢?答案还是采用和前面类似的策略来计算 log softmax 函数值(感谢原作者写出这么好的公式):
在最后的表达式中,会产生下溢出的因素已经被消除掉了——求和项中,至少有一项的值为1,这使得log后面的值不会下溢出,也就不会发生计算 log(0) 的情况。