# 【机器学习-20】-数值计算误差、逻辑回归/Softmax的数值稳定性优化、以及TensorFlow实现细节

【机器学习-20】-数值计算误差、逻辑回归/Softmax的数值稳定性优化、以及TensorFlow实现细节

以下是基于5张图片核心内容的系统性解析与解决方案，涵盖数值计算误差、逻辑回归/Softmax的数值稳定性优化、以及TensorFlow实现细节：

---

1. 数值舍入误差问题（图1）

问题现象

• 代码1 ：2.0/10000 输出精确值 0.000200000000000000。

• 代码2 ：(1 + 1/10000) - (1 - 1/10000) 输出 0.000199999999999978（理论应为 0.0002）。

原因与解决方案

• 原因 ：浮点数运算的有限精度导致舍入误差累积。

• 解决方案 ：

• 避免相近数相减（如重构公式）。

• 使用高精度库（如decimal）或数值稳定的实现（如图2-5的损失函数优化）。

---

2. 逻辑回归的数值稳定性优化（图2, 图5）

原始问题

• 传统实现（数值不稳定）：

a = sigmoid(z)  # a接近0或1时，log(a)可能溢出
loss = -y*log(a) - (1-y)*log(1-a)

优化方案

• 合并计算 （图2）：

• 直接使用logits（未激活的z），通过from_logits=True让损失函数内部合并Sigmoid和交叉熵计算：
python loss = BinaryCrossentropy(from_logits=True) # 内部优化避免数值溢出

• 代码实现（图5）：

model = Sequential([
    Dense(25, activation='sigmoid'),
    Dense(15, activation='sigmoid'),
    Dense(1, activation='linear')  # 输出logits
])
model.compile(loss=BinaryCrossentropy(from_logits=True))
f_x = tf.nn.sigmoid(model(X))  # 预测时显式调用sigmoid

---

3. Softmax回归的数值稳定性优化（图3, 图4）

原始问题

• 传统Softmax ：

• 计算e^z可能导致数值溢出（尤其z较大时）。

• 损失函数直接计算log(softmax(z))会放大误差。

优化方案

• 合并计算 （图3）：

• 使用SparseCategoricalCrossentropy(from_logits=True)，内部优化避免显式计算e^z：
python loss = -log(softmax(z_y)) = -z_y + log(sum(e^z_k))

• 代码实现（图4）：

model = Sequential([
    Dense(25, activation='relu'),
    Dense(15, activation='relu'),
    Dense(10, activation='linear')  # 输出logits
])
model.compile(loss=SparseCategoricalCrossentropy(from_logits=True))
logits = model(X)
f_x = tf.nn.softmax(logits)  # 预测时显式调用softmax

---

4. 综合解题思路与代码模板

题目示例

"设计一个MNIST分类模型，要求避免数值溢出并解释优化原理。"

解答步骤

1. 数据预处理：归一化像素值到[0,1]。
2. 模型设计 ：
   • 输出层使用linear激活，输出logits。
   • 隐藏层根据任务选择relu（多分类）或sigmoid（二分类）。
3. 损失函数配置 ：
   • 多分类：SparseCategoricalCrossentropy(from_logits=True)
   • 二分类：BinaryCrossentropy(from_logits=True)
4. 预测处理 ：对logits显式调用softmax或sigmoid。

代码模板（MNIST多分类）

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Dense(25, activation='relu'),
    tf.keras.layers.Dense(15, activation='relu'),
    tf.keras.layers.Dense(10, activation='linear')  # logits
])

model.compile(
    optimizer='adam',
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=['accuracy']
)

model.fit(X_train, y_train, epochs=10)

# 预测时转换logits为概率
logits = model(X_test)
probs = tf.nn.softmax(logits)

---

5. 关键总结

• 数值误差根源 ：浮点数精度限制和指数运算溢出。

• 优化核心 ：

• 逻辑回归 ：合并Sigmoid与交叉熵计算。

• Softmax ：合并Softmax与交叉熵计算，利用from_logits=True。

• 实践建议 ：

• 输出层始终用linear，损失函数设置from_logits=True。

• 避免手动实现损失函数，依赖框架优化。

如需进一步探讨具体数学推导或调试方法，请提供更多细节！