PyTorch-----torch.nn.Softmax()函数

Softmax原理

Softmax 函数是一种常用的激活函数，通常用于多分类问题中。它将一个含有多个实数值的向量（通常称为 logits）转换成一个概率分布，使得每个元素都在 (0, 1) 区间内，并且所有元素的和为 1。

假设我们有一个实数值向量 z，其中 z = $z1, z2, ..., zn$ ，其中 zi 是向量 z 的第 i 个元素。Softmax 函数将向量 z 转换为一个概率分布向量 p = $p1, p2, ..., pn$ ，其中 pi 表示类别 i 的概率。

Softmax 函数的定义如下：

其中，zi 是 logits 向量 z 的第 i 个元素，n 是 logits 向量 z 的长度（即类别的数量），e 是自然对数的底（约等于 2.71828）。

Softmax 函数的计算过程如下：

对 logits 向量 z 中的每个元素进行指数化（即计算 e 的 z 次方）。
计算所有指数化的值的和（即分母部分）。
将每个指数化的值除以总和，得到归一化后的概率值。

Softmax 函数的一个关键特性是它的输出是一个概率分布，即所有输出值的和为 1，因此可以用于表示多个互斥的类别的概率。

在神经网络中，Softmax 函数通常作为输出层的激活函数使用，用于将网络的最后一层输出转换为概率分布，以便进行多分类任务的训练和预测。

softmax应用

torch.nn.Softmax 是 PyTorch 中的一个类，用于计算 softmax 函数。softmax 函数常用于多分类问题中，将一个具有任意实数值的向量转换为一个概率分布，使得每个元素都在 (0, 1) 之间，并且所有元素的和为 1。

在 PyTorch 中，torch.nn.Softmax 可以作为一个层（Layer）添加到神经网络模型中，也可以作为一个函数使用。它的语法如下：

python 复制代码

torch.nn.Softmax(dim=None)

dim（可选）：指定 softmax 函数计算的维度。默认值为 -1，表示最后一个维度。

torch.nn.Softmax 类初始化后可以调用其 forward 方法来计算 softmax 函数。另外，你也可以直接使用 torch.softmax() 函数来计算 softmax。

下面是使用 torch.nn.Softmax 类的一个示例：

python 复制代码

import torch
import torch.nn as nn

# 创建一个 3x4 的输入张量
input_tensor = torch.randn(3, 4)

# 创建 Softmax 层
softmax_layer = nn.Softmax(dim=1)

# 对输入张量应用 Softmax 层
output_tensor = softmax_layer(input_tensor)

print(output_tensor)

这里，我们首先创建了一个 3x4 的输入张量 input_tensor，然后创建了一个 softmax 层，并将其应用于输入张量。最终得到的 output_tensor 是一个概率分布，其中每一行的元素都在 (0, 1) 之间，并且每一行的元素之和为 1。

你也可以使用 torch.softmax() 函数直接计算 softmax，示例如下：

python 复制代码

output_tensor = torch.softmax(input_tensor, dim=1)

这与使用 softmax 层的结果是相同的。