numpy实现的soft-max方法

原创

于 2019-12-28 14:39:58 发布 · 7.2k 阅读

·

2

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#机器学习 #神经网络 #线性代数 #python #numpy

本文介绍了在机器学习中广泛使用的softmax方法，特别是在神经网络中。通过numpy的向量运算可以简便实现softmax，但原始实现可能面临数值溢出问题。为解决此问题，文章提出利用softmax函数的性质，通过调整分子和分母，尤其是通过设置logC = -max(f)进行数值偏移，确保最大值为零，从而避免指数溢出。最终给出的优化实现确保了计算的稳定性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

numpy实现的soft-max方法

soft-max

soft-max

soft-max 是人工智能领域被大范围使用的一个方法。
在这里插入图片描述

借助numpy的向量运算，可以很容易地实现:

import numpy as np

def softmax( f ):
    # 坏的实现: 数值问题
    return np.exp(f) / np.sum(np.exp(f))

但是，上面的实现存在问题。 e^f 存在很容易因为数值过大导致溢出的问题。

>>> softmax( np.array(

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。