【深度学习】神经网络之Softmax

Softmax 函数是神经网络中常用的一种激活函数，尤其在分类问题中广泛应用。它将一个实数向量转换为概率分布，使得每个输出值都位于 0, 1 之间，并且所有输出值的和为 1。这样，Softmax 可以用来表示各类别的预测概率。

Softmax 函数的定义

给定一个实数向量 z=z1,z2,...,zn，Softmax 函数的输出是一个概率分布，定义如下：

其中：

• zi是输入向量 z 中的第 i 个元素。
• ezi是 zi 的指数。
• 分母是对所有元素的指数进行求和，确保输出的概率和为 1。

Softmax 的特点

1. 输出范围：每个输出值在 0, 1 之间，适合作为概率。
2. 归一化：所有输出的和为 1，这使得输出可以视为概率。
3. 强化最大值：Softmax 将输入向量中最大的元素映射为最大的概率，通常用于多分类问题的最终输出层。

应用场景

1. 多类分类问题：在神经网络的输出层，Softmax 通常用于多分类问题，例如图像分类、文本分类等。它将每个类别的原始预测值（即神经网络的输出）转换为概率，从而能够判断输入属于每个类别的概率。
2. 回归任务：虽然 Softmax 主要用于分类问题，但在某些情况下它也可以应用于回归任务中的概率预测。

计算示例

假设有一个网络的输出向量 z=2,1,0.1，我们想计算该向量通过 Softmax 函数后的输出：

1. 计算每个 e^{z_i}:

   • e2≈7.389e^2
   • e1≈2.718e^1
   • e0.1≈1.105e^{0.1}

2. 求和：

   

3. 计算每个类别的概率：

   

最终，Softmax 输出的概率分布为 0.659,0.242,0.099，即该网络认为输入属于第一个类别的概率为 65.9%，属于第二个类别的概率为 24.2%，属于第三个类别的概率为 9.9%。

总结

Softmax 是神经网络中用于多类分类问题的常见激活函数，通过将网络的输出转化为概率分布，帮助我们理解模型的预测结果，并且通过概率值判断输入属于各类别的可能性。