本文记录如何实现softmax运算。
线性回归模型适用于输出为连续值的情景
softmax运算使输出更适合离散值的预测和训练
softmax用于分类问题:
预备知识:首先我们看看这个关于Tensor的运算:sum()函数
>>X = torch.tensor([1, 2, 3])
tensor([1, 2, 3])
>>X.sum(dim=1, keepdim=True)
tensor([ 6])
Sum函数将每一行的所有数相加,keepdim=True表示将总数保留在相应的dim轴,关于dim轴的问题看我这个博客。点这里
以及tensor.exp()函数:
>>torch.exp(torch.tensor([0, 2.0]))
tensor([1.0000, 7.3891])
它返回的是tensor([e^0, e^2]), 注意这个的参数tensor必须是浮点数。
这样我们就可以使用 总数/每个数=占总数的百分比
1+2+3=6
如 X就变成了tensor([1/6, 2/6, 3/6])
这样一行的数相加为1,至此实现softmax运算。
我们可以将这个运算封装成一个方法
def softmax(X):
X_exp = X.exp()
partition = X_exp.sum(dim=1, keepdim=True)
return X_exp / partition # 这里使用了numpy的广播机制
现在来使用一下,创建一个tensor
>>X = torch.rand((1, 5))
tensor([[0.0160, 0.7090, 0.3592, 0.2295, 0.9136]])
>>X_prob = softmax(X)
>>X_prob
tensor([[0.1235, 0.2468, 0.1740, 0.1528, 0.3029]])
不用验算,相加肯定为1
参考:https://tangshusen.me/Dive-into-DL-PyTorch/#/chapter03_DL-basics/3.4_softmax-regression