09aaab-Softmax是什么？

09aaab-Softmax是什么？🔥

本文档详细解释 Softmax 函数的核心概念，涵盖数学定义与逐元素拆解、手算示例、三大核心性质（保序性、平移不变性、非缩放不变性）、数值稳定技巧 $x − max ⁡ ( x ) x - \max(x)$ x−max(x) 的原理证明、与 Sigmoid 的对比，以及在 Transformer 注意力机制中的关键作用 🛠️

章节阅读路线图 🗺️

什么是Softmax → 从直观类比出发，先了解 Softmax 是什么，再给出严谨数学定义
核心公式 → 掌握公式后，逐元素拆解 $e x e^x$ ex 和分母的作用
手算示例 → 通过具体数值验证公式理解
核心性质 → 深入理解保序性、平移不变性和非缩放不变性
数值稳定性 → 学习数值溢出问题及 $x − max ⁡ ( x ) x - \max(x)$ x−max(x) 技巧的数学原理
代码示例 → 通过 NumPy 和 PyTorch 代码实战加深理解
总结 → 回顾核心要点

1. 什么是 Softmax？🤔

本章从直观类比出发，介绍 Softmax 的基本概念和定义

1.1 直观类比：投票计数器 🗳️

想象一个班级评选"最受欢迎的同学"，每个同学都给其他人打分（分数可以是任意实数，正数表示喜欢，负数表示讨厌）。但最终我们需要的是得票百分比------每个人的支持率加起来等于 100%。

Softmax 函数就像一个"投票计数器"：

输入：任意实数分数（可正可负，可大可小）→ 就像同学们的"支持度打分"
输出：[0, 1] 区间的概率值，且总和为 1 → 就像最终的"得票百分比"

更重要的是，Softmax 不是简单地按比例缩放------它通过指数函数 $e x e^x$ ex 放大差异，让高分者获得更高的权重，低分者被进一步压制。

1.2 基本定义

Softmax 函数 （又称 softargmax、归一化指数函数）是一个将任意实数向量转换为概率分布的函数。给定一个 $K K$ K 维实数向量 $x =$ $x 1 , x 2 , ... , x K$ \mathbf{x} = $x_1, x_2, \\ldots, x_K$ x= $x1,x2,...,xK$ ，Softmax 对每个元素 $x i x_i$ xi 的输出为：
$softmax ( x i ) = e x i ∑ j = 1 K e x j \text{softmax}(x_i) = \frac{e^{x_i}}{\sum_{j=1}^{K} e^{x_j}}$ softmax(xi)=∑j=1Kexjexi

其中 $e ≈ 2.71828 e \approx 2.71828$ e≈2.71828 是自然对数的底数。

输出满足两个条件（概率分布的定义）：

每个输出值在 $( 0 , 1 ) (0, 1)$ (0,1) 区间内： $0 < softmax ( x i ) < 1 0 < \text{softmax}(x_i) < 1$ 0<softmax(xi)<1
所有输出值之和恰好为 1： $∑ i = 1 K softmax ( x i ) = 1 \sum_{i=1}^{K} \text{softmax}(x_i) = 1$ ∑i=1Ksoftmax(xi)=1

参考资料：

2. 核心公式 📝

本章逐元素拆解 Softmax 公式，解释每一步的含义

Softmax 的计算分为两步：

第1步：指数化 → 对每个输入 $x i x_i$ xi 计算 $e x i e^{x_i}$ exi

第2步：归一化 → 将每个指数值除以所有指数值之和

用数学语言表达：
$softmax ( x i ) = e x i e x 1 + e x 2 + ⋯ + e x K = e x i ∑ j = 1 K e x j \text{softmax}(x_i) = \frac{e^{x_i}}{e^{x_1} + e^{x_2} + \cdots + e^{x_K}} = \frac{e^{x_i}}{\sum_{j=1}^{K} e^{x_j}}$ softmax(xi)=ex1+ex2+⋯+exKexi=∑j=1Kexjexi

2.1 为什么要用指数函数 $e x e^x$ ex？

指数函数在 Softmax 中承担了三个关键角色：

将任意实数映射为正数 ： $e x > 0 e^x > 0$ ex>0 对所有 $x ∈ R x \in \mathbb{R}$ x∈R 成立，保证输出为正
放大差异 ：指数函数的增长速度极快， $e 3 ≈ 20.1 e^3 \approx 20.1$ e3≈20.1 而 $e 1 ≈ 2.72 e^1 \approx 2.72$ e1≈2.72，即使输入只差 2，输出已差约 7 倍------让高分者脱颖而出
保持单调性 ： $e x e^x$ ex 是严格递增的， $x i > x j ⇒ e x i > e x j x_i > x_j \Rightarrow e^{x_i} > e^{x_j}$ xi>xj⇒exi>exj，即输入顺序得以保留

2.2 为什么分母要用求和？

分母 $∑ j e x j \sum_{j} e^{x_j}$ ∑jexj 的作用是归一化------把所有指数值加起来作为"总基数"，然后用每个指数值除以总基数。这样做的结果是：

每个输出都变成了相对占比（0 到 1 之间）
所有输出加起来恰好等于 1
形成了合法的概率分布

3. 手算示例 🔍

本章通过一个具体数值演示 Softmax 的计算全过程

假设输入向量 $x =$ $2.0 , 1.0 , 0.1$ \mathbf{x} = $2.0, 1.0, 0.1$ x= $2.0,1.0,0.1$ ，我们来一步步计算 Softmax：

第1步：计算 $e x i e^{x_i}$ exi
$e 2.0 = 7.389 e 1.0 = 2.718 e 0.1 = 1.105 \begin{align} e^{2.0} &= 7.389 \\ e^{1.0} &= 2.718 \\ e^{0.1} &= 1.105 \end{align}$ e2.0e1.0e0.1=7.389=2.718=1.105

第2步：计算分母（所有指数值之和）
$∑ j = 1 3 e x j = 7.389 + 2.718 + 1.105 = 11.212 \sum_{j=1}^{3} e^{x_j} = 7.389 + 2.718 + 1.105 = 11.212$ j=1∑3exj=7.389+2.718+1.105=11.212

第3步：计算每个 Softmax 值
$softmax ( x 1 ) = 7.389 11.212 = 0.659 softmax ( x 2 ) = 2.718 11.212 = 0.242 softmax ( x 3 ) = 1.105 11.212 = 0.099 \begin{align} \text{softmax}(x_1) &= \frac{7.389}{11.212} = 0.659 \\ \text{softmax}(x_2) &= \frac{2.718}{11.212} = 0.242 \\ \text{softmax}(x_3) &= \frac{1.105}{11.212} = 0.099 \end{align}$ softmax(x1)softmax(x2)softmax(x3)=11.2127.389=0.659=11.2122.718=0.242=11.2121.105=0.099

验证： $0.659 + 0.242 + 0.099 = 1.000 0.659 + 0.242 + 0.099 = 1.000$ 0.659+0.242+0.099=1.000 ✅

观察：

输入最高的 2.0 获得了 65.9% 的概率权重
输入最低的 0.1 只获得了 9.9% 的权重
输入之间的原始差距是 $2.0 − 0.1 = 1.9 2.0 - 0.1 = 1.9$ 2.0−0.1=1.9，但 Softmax 输出的权重差距是 $0.659 − 0.099 = 0.56 0.659 - 0.099 = 0.56$ 0.659−0.099=0.56

4. 核心性质 📐

本章介绍 Softmax 的三大数学性质：保序性、平移不变性和非缩放不变性

4.1 保序性（Order Preservation）

定义：Softmax 保持输入的顺序不变。如果 $x i > x j x_i > x_j$ xi>xj，则 $softmax ( x i ) > softmax ( x j ) \text{softmax}(x_i) > \text{softmax}(x_j)$ softmax(xi)>softmax(xj)。

直观理解：打分最高的同学，最终得票率也最高。Softmax 不会"颠覆"排名。

数学原因 ：指数函数 $e x e^x$ ex 是严格单调递增的，且除以同一个正分母不改变大小关系。

4.2 平移不变性（Translation Invariance）

定义：对输入向量的所有元素同时加上同一个常数 $c c$ c，Softmax 的输出不变。
$softmax ( x i + c ) = e x i + c ∑ j e x j + c = e c ⋅ e x i e c ⋅ ∑ j e x j = e x i ∑ j e x j = softmax ( x i ) \text{softmax}(x_i + c) = \frac{e^{x_i + c}}{\sum_j e^{x_j + c}} = \frac{e^c \cdot e^{x_i}}{e^c \cdot \sum_j e^{x_j}} = \frac{e^{x_i}}{\sum_j e^{x_j}} = \text{softmax}(x_i)$ softmax(xi+c)=∑jexj+cexi+c=ec⋅∑jexjec⋅exi=∑jexjexi=softmax(xi)

直观理解：假设所有同学的分数都加了 10 分（平移），但每个人加的一样多，那么最终得票百分比不变。

实际意义 ：这个性质是数值稳定性技巧 的理论基础------我们可以安全地减去 $max ⁡ ( x ) \max(x)$ max(x) 来防止数值溢出，而不改变结果。

4.3 非缩放不变性（Non-Scaling Invariance）

定义：对输入向量的所有元素同时乘以一个正数 $a > 0 a > 0$ a>0（ $a ≠ 1 a \neq 1$ a=1），Softmax 的输出会改变。
$softmax ( a ⋅ x i ) ≠ softmax ( x i ) ( 当 a ≠ 1 ) \text{softmax}(a \cdot x_i) \neq \text{softmax}(x_i) \quad (\text{当 } a \neq 1)$ softmax(a⋅xi)=softmax(xi)(当 a=1)

直观理解 ：当 $a > 1 a > 1$ a>1 时，所有分数被"拉大"，高分的优势被指数函数进一步放大，输出分布更"尖锐"（更集中在最大值）；当 $0 < a < 1 0 < a < 1$ 0<a<1 时，分数被"压缩"，输出分布更"平滑"（更均匀）。

在注意力机制中的体现 ：缩放因子 $1 d k \frac{1}{\sqrt{d_k}}$ dk 1 正是利用了这一点------通过缩小点积分数，防止 Softmax 输出过于尖锐（进入梯度很小的饱和区）。

参考资料：

5. 数值稳定性 ⚠️

本章解释 Softmax 的数值溢出问题及 $x − max ⁡ ( x ) x - \max(x)$ x−max(x) 技巧的数学原理

5.1 问题：直接计算可能产生 NaN

考虑输入 $x =$ $1000 , 2000 , - 4000$ \mathbf{x} = $1000, 2000, -4000$ x= $1000,2000,-4000$ ，直接按公式计算：
$e 2000 ≈ ∞ ( 超出 float64 可表示范围 ) e^{2000} \approx \infty \quad (\text{超出 float64 可表示范围})$ e2000≈∞(超出 float64 可表示范围)

这会导致 $∞ ∞ = NaN \frac{\infty}{\infty} = \text{NaN}$ ∞∞=NaN，计算失败。

5.2 解决方案：减去最大值

利用平移不变性，从每个元素中减去最大值 $max ⁡ ( x ) \max(x)$ max(x)：
$softmax ( x i ) = e x i − max ⁡ ( x ) ∑ j e x j − max ⁡ ( x ) \text{softmax}(x_i) = \frac{e^{x_i - \max(x)}}{\sum_{j} e^{x_j - \max(x)}}$ softmax(xi)=∑jexj−max(x)exi−max(x)

5.3 数学证明

$softmax ( x i ) = e x i ∑ j e x j = C C ⋅ e x i ∑ j e x j = C ⋅ e x i ∑ j C ⋅ e x j = e x i + log ⁡ C ∑ j e x j + log ⁡ C \begin{align} \text{softmax}(x_i) &= \frac{e^{x_i}}{\sum_j e^{x_j}} \\$ $4pt$ &= \frac{C}{C} \cdot \frac{e^{x_i}}{\sum_j e^{x_j}} \\ $4pt$ &= \frac{C \cdot e^{x_i}}{\sum_j C \cdot e^{x_j}} \\ $4pt$ &= \frac{e^{x_i + \log C}}{\sum_j e^{x_j + \log C}} \end{align} softmax(xi)=∑jexjexi=CC⋅∑jexjexi=∑jC⋅exjC⋅exi=∑jexj+logCexi+logC

令 $log ⁡ C = − max ⁡ ( x ) \log C = -\max(x)$ logC=−max(x)（即 $C = e − max ⁡ ( x ) C = e^{-\max(x)}$ C=e−max(x)），则：
$softmax ( x i ) = e x i − max ⁡ ( x ) ∑ j e x j − max ⁡ ( x ) \text{softmax}(x_i) = \frac{e^{x_i - \max(x)}}{\sum_j e^{x_j - \max(x)}}$ softmax(xi)=∑jexj−max(x)exi−max(x)

5.4 为什么这样就稳定了？

减去最大值后，所有指数输入 $≤ 0 \leq 0$ ≤0，因此 $0 < e x i − max ⁡ ( x ) ≤ 1 0 < e^{x_i - \max(x)} \leq 1$ 0<exi−max(x)≤1
最大值对应的项 $e max ⁡ ( x ) − max ⁡ ( x ) = e 0 = 1 e^{\max(x) - \max(x)} = e^0 = 1$ emax(x)−max(x)=e0=1，保证分母 $≥ 1 \geq 1$ ≥1
不会出现 $e 巨大正数 → ∞ e^{\text{巨大正数}} \to \infty$ e巨大正数→∞ 的溢出
分母 $≥ 1 \geq 1$ ≥1 也防止了除以零

参考资料：

Numerically Stable Softmax and Cross Entropy -- Jay Mody ⭐值得阅读
Numerically stable softmax -- Stack Overflow
You Don't Really Know Softmax -- Sewade Ogun ⭐值得阅读
Numerically Stable Softmax -- Brian Lester

6. 代码示例 💻

本章提供 NumPy 手动实现和 PyTorch 原生实现的对比

6.1 NumPy 手动实现（含数值稳定版）

python 复制代码

import numpy as np                                          # 导入 NumPy，用于数组运算


"""Softmax 函数的朴素实现（不推荐，数值不稳定）

参数:
    x: 输入向量，形状 (K,)，元素为任意实数
    
返回:
    概率分布向量，形状 (K,)，元素 ∈ (0,1)，和为 1
    
示例:
    softmax_naive(np.array([2.0, 1.0, 0.1]))  → [0.659, 0.242, 0.099]
"""
def softmax_naive(x):
    # 直接计算 e^x / sum(e^x)，数据流动：[2.0,1.0,0.1] → [0.659,0.242,0.099]
    exp_x = np.exp(x)                                         # 计算每个元素的指数，示例：e^2.0=7.389
    return exp_x / np.sum(exp_x)                              # 归一化，数据流动：[7.389,2.718,1.105] → [0.659,0.242,0.099]


"""Softmax 函数的数值稳定实现（推荐）

参数:
    x: 输入向量，形状 (K,)，元素为任意实数
    
返回:
    概率分布向量，形状 (K,)，元素 ∈ (0,1)，和为 1
    
示例:
    softmax(np.array([1000, 2000, -4000]))  → [0., 1., 0.]
"""
def softmax(x):
    # 减去最大值防止溢出，数据流动：[1000,2000,-4000] - 2000 → [-1000,0,-6000]
    x_shifted = x - np.max(x)                                 # 利用平移不变性，结果不变但数值稳定
    exp_x = np.exp(x_shifted)                                 # 指数化，所有值 ≤ 1，不会溢出
    return exp_x / np.sum(exp_x)                              # 归一化，分母 ≥ 1，不出现除零


# ========== 测试 ==========
# 普通输入，示例：三个分数 [2.0, 1.0, 0.1]
x_small = np.array([2.0, 1.0, 0.1])
print("普通输入:", softmax(x_small))                           # 输出：[0.65900114 0.24243297 0.09856589]
print("和:", np.sum(softmax(x_small)))                        # 输出：1.0

# 大数值输入，朴素版会溢出，示例：[1000, 2000, -4000]
x_large = np.array([1000.0, 2000.0, -4000.0])
print("大数值输入（稳定版）:", softmax(x_large))              # 输出：[0. 1. 0.]
print("和:", np.sum(softmax(x_large)))                        # 输出：1.0

6.2 PyTorch 原生实现

python 复制代码

import torch                                                # 导入 PyTorch 核心库
import torch.nn as nn                                       # 导入神经网络模块


# 方式1：使用 torch.softmax（函数式 API）
x = torch.tensor([2.0, 1.0, 0.1])                           # 创建输入张量，示例：三个分数 [2.0, 1.0, 0.1]
output = torch.softmax(x, dim=0)                             # dim=0 沿第0维做 Softmax，数据流动：[2.0,1.0,0.1] → [0.659,0.242,0.099]
print("torch.softmax 输出:", output)                         # 输出：tensor([0.6590, 0.2424, 0.0986])
print("和:", output.sum())                                   # 输出：tensor(1.0000)

# 方式2：使用 nn.Softmax（模块化 API）
softmax_layer = nn.Softmax(dim=0)                            # 创建 Softmax 层，dim=0 沿第0维计算
output2 = softmax_layer(x)                                   # 前向传播，输出同上
print("nn.Softmax 输出:", output2)

# 二维输入示例（batch处理），形状 [batch_size=2, num_classes=3]
x_batch = torch.randn(2, 3)                                  # 随机生成 2 个样本，每个有 3 个类别的 logits
output_batch = torch.softmax(x_batch, dim=1)                 # dim=1 沿类别维度做 Softmax
print("每行和:", output_batch.sum(dim=1))                    # 输出：tensor([1.0000, 1.0000])

6.3 PyTorch 内置的数值稳定处理

PyTorch 的 torch.softmax 和 F.softmax 内部已经实现了 $x − max ⁡ ( x ) x - \max(x)$ x−max(x) 的数值稳定技巧，开发者无需手动处理。此外，PyTorch 还提供了 F.log_softmax，它在计算 $log ⁡ ( softmax ( x ) ) \log(\text{softmax}(x))$ log(softmax(x)) 时使用更稳定的 $log ⁡ - ∑ - exp ⁡ \log\text{-}\sum\text{-}\exp$ log-∑-exp 技巧，避免了 $log ⁡ ( 0 ) \log(0)$ log(0) 的问题，推荐与 NLLLoss 配合使用。

python 复制代码

import torch.nn.functional as F                              # 导入函数式 API

x = torch.tensor([2.0, 1.0, 0.1])                            # 创建输入张量
log_probs = F.log_softmax(x, dim=0)                          # 计算 log_softmax，内部已做数值稳定处理
print("log_softmax:", log_probs)                             # 输出：tensor([-0.4170, -1.4170, -2.3170])
print("exp(log_softmax):", torch.exp(log_probs))             # 还原为 Softmax，验证一致性

参考资料：

7. 总结 📝

要点	说明
定义	$softmax ( x i ) = e x i ∑ j e x j \text{softmax}(x_i) = \frac{e^{x_i}}{\sum_j e^{x_j}}$ softmax(xi)=∑jexjexi，将任意实数向量转为概率分布
输出	每个值在 $( 0 , 1 ) (0,1)$ (0,1)，全部之和为 $1 1$ 1
保序性	$x i > x j ⇒ softmax ( x i ) > softmax ( x j ) x_i > x_j \Rightarrow \text{softmax}(x_i) > \text{softmax}(x_j)$ xi>xj⇒softmax(xi)>softmax(xj)
平移不变性	所有元素加同一常数，输出不变 → 数值稳定技巧的数学基础
非缩放不变性	所有元素乘同一系数（ $≠ 1 \neq 1$ =1），输出改变 → 注意力缩放因子的理论依据
数值稳定	计算前先减去 $max ⁡ ( x ) \max(x)$ max(x)，利用平移不变性，防止 $e 大数 → ∞ e^{\text{大数}} \to \infty$ e大数→∞
在注意力中	将 $Q K T QK^T$ QKT 分数转为概率权重，放大差异实现"聚焦"，确保加权求和的数学合理性

🔴 关键理解：

Softmax 的本质是"指数化 + 归一化"，将原始分数转化为合法概率分布
数值稳定技巧 $x − max ⁡ ( x ) x - \max(x)$ x−max(x) 不是 trick，而是平移不变性的直接推论
在 Transformer 中，Softmax 是注意力"聚焦"能力的数学核心------没有它，模型无法区分"该关注谁"

最后更新时间：2026-05-26

09aaab-Softmax是什么？