深度学习基础系列(四)| 理解softmax函数
深度学习最终目的表现为解决分类或回归问题。在现实应用中,输出层我们大多采用softmax或sigmoid函数来输出分类概率值,其中二元分类可以应用sigmoid函数。
而在多元分类的问题中,我们默认采用softmax函数,具体表现为将多个神经元的输出,映射到0 ~ 1的区间中,按概率高低进行分类,各概率之和为1。
某分类的概率数学表达式为:yi = ei / ∑j=1ej
具体来说,假设有四个输出单元,分别为:
- y1 = ex1 / (ex1 + ex2 + ex3 + ex4 ),假设其概率为0.4
- y2 = ex2/ (ex1 + ex2 + ex3 + ex4 ),假设其概率为0.15
- y3 = ex3/ (ex1 + ex2 + ex3 + ex4 ),假设其概率为0.15
- y4= ex4/ (ex1 + ex2 + ex3 + ex4 ), 假设其概率为0.3
可以看出 y1 + y2 + y3 + y4 = 1。并且其中某神经元的输出若增加,则其他神经元的输出则减少,反之也成立。
最后再看看softmax函数如何求导,令y = exi / ∑exk ,分两种情况:
1. i为softmax值,我们对exi 求导,
与此相关的基础求导公式:(u/v)' = (u' v - uv') / v2 和 (ex)' = ex ,并应用链式法则可得求导过程:
dy/dexi = ( exi / ∑exk)'
= (exi * ∑exk - exi * exi ) / (∑exk)2
= exi / ∑exk - (exi / ∑exk ) * (exi / ∑exk )
= yxi - yxi2
2. i不为softmax值,我们依然对exi 求导,其过程为:
dy/dexi = ( exj / ∑exk)' 注:i ≠ j
= (0 * ∑exk - exj * exi) / (∑exk)2
= -1 * (exi / ∑exk ) * (exj / ∑exk)
= - yxi * yxj
最新文章
- STL vector按多字段值排序
- php获取一维,二维数组长度的方法(有实例)
- redis在windows上的安装
- setBackgroundDrawable和setBackgroundColor的用法
- javascript插件编写小结
- Stop a hung service 关闭一个无响应的windows 服务
- LCIS tyvj1071 DP优化
- java学习面向对象之继承
- python-类和对象(属性、方法)的动态绑定
- Blogger建立新文章 - Blog透视镜
- Web系统如何做到读取客户电脑MAC等硬件信息且兼容非IE浏览器
- eclipse No Default Proposals 无提示
- 我学的是设计模式的视频教程——装饰图案,装饰图案VS代理模式
- JPA基本注解介绍
- oracle的row_number()和rownum
- rgba 和 IE 的 filter数值转换
- mysql获取某个表的所有字段名
- microk8s
- React表格报错Each record in table should have a unique `key` prop,or set `rowKey` to an unique primary key.
- Beyond Compare相同文件为何显示差异
热门文章
- [转载]解决flash与js交互、flash跨域交互、flash跨域提交
- bzoj 2111 [ZJOI2010]Perm 排列计数(DP+lucas定理)
- php魔术函数 __clone()
- 使用 script 命令记录用户操作行为
- 芒果TV 视频真实的地址获取
- Django中HttpRequest和HttpResponse
- RabbitMQ--Publish/Subscribe(五)
- mac 下安装pip
- vue项目中,Iview打包到生产环境时, woff 字体引用问题
- fsevents npm install是报错