本文記錄如何實作softmax運算。
線性回歸模型适用于輸出為連續值的情景
softmax運算使輸出更适合離散值的預測和訓練
softmax用于分類問題:
預備知識:首先我們看看這個關于Tensor的運算:sum()函數
>>X = torch.tensor([1, 2, 3])
tensor([1, 2, 3])
>>X.sum(dim=1, keepdim=True)
tensor([ 6])
Sum函數将每一行的所有數相加,keepdim=True表示将總數保留在相應的dim軸,關于dim軸的問題看我這個部落格。點這裡
以及tensor.exp()函數:
>>torch.exp(torch.tensor([0, 2.0]))
tensor([1.0000, 7.3891])
它傳回的是tensor([e^0, e^2]), 注意這個的參數tensor必須是浮點數。
這樣我們就可以使用 總數/每個數=占總數的百分比
1+2+3=6
如 X就變成了tensor([1/6, 2/6, 3/6])
這樣一行的數相加為1,至此實作softmax運算。
我們可以将這個運算封裝成一個方法
def softmax(X):
X_exp = X.exp()
partition = X_exp.sum(dim=1, keepdim=True)
return X_exp / partition # 這裡使用了numpy的廣播機制
現在來使用一下,建立一個tensor
>>X = torch.rand((1, 5))
tensor([[0.0160, 0.7090, 0.3592, 0.2295, 0.9136]])
>>X_prob = softmax(X)
>>X_prob
tensor([[0.1235, 0.2468, 0.1740, 0.1528, 0.3029]])
不用驗算,相加肯定為1
參考:https://tangshusen.me/Dive-into-DL-PyTorch/#/chapter03_DL-basics/3.4_softmax-regression