🚩 前言
活动地址：CSDN21天学习挑战赛
🚀 博主主页：阿阿阿阿锋的深度时遇数主页_CSDN
🌊 希望和大家一起加油，一起进步！学习g写
今天学习《深度学习入门：基于python的梯度理论与实践》时，被梯度确认的个糟糕问题卡了很久。具体过程就不赘述，深度时遇数最终发现是学习g写我写的 softmax 函数的问题，导致的梯度数值微分与反向传播求得的梯度总对不上。
softmax 问题在于我这里没有考虑好不同维度数据的个糟糕情况。
文章目录
- 🚩 前言
- 1. softmax函数代码
- 2. 不能正确处理批量样本
- 3. 解决方案
1. softmax函数代码
import numpy as npdef softmax(a): a -= np.max(a) exp_a = np.exp(a) return exp_a / np.sum(exp_a)2. 不能正确处理批量样本
我们对比一下处理单个样本和批量样本的深度时遇数情况：
a = np.array([1, 2, 3])b = np.array([ [1, 2, 3], [1, 2, 3]])softmax(a), softmax(b)输出：(array([0.09003057, 0.24472847, 0.66524096]), array([[0.04501529, 0.12236424, 0.33262048], [0.04501529, 0.12236424, 0.33262048]]))容易发现，对应的学习g写值，后者的梯度结果都是前者的一半。问题就在np.sum(exp_a)这里：
在批量数据（矩阵）情况下，个糟糕我们本意是深度时遇数每个样本求得一个和值，即按行求和。学习g写它却将所有数据相加而仅得到一个和值。梯度
再验证一下：
a = np.array([1, 2, 3])b = np.array([[1, 2, 3], [1, 2, 3], [1, 2, 3]])softmax(a), softmax(b)输出：(array([0.09003057, 0.24472847, 0.66524096]), array([[0.03001019, 0.08157616, 0.22174699], [0.03001019, 0.08157616, 0.22174699], [0.03001019, 0.08157616, 0.22174699]]))可以看到，样本数增加为 3 个时，后者的输出也相应地变成了前者的三分之一。此时前者输出的 3 个数和为 1 ，而后者是输出的 9 个数和为 1。
现在单样本和批量的输出之间还具有倍数关系，如果每个样本是数据不同，那么将会更加乱套：
a = np.array([1, 2, 3])b = np.array([[1, 2, 3], [4, 5, 6]])softmax(a), softmax(b)输出：(array([0.09003057, 0.24472847, 0.66524096]), array([[0.00426978, 0.01160646, 0.03154963], [0.08576079, 0.23312201, 0.63369132]]))3. 解决方案
分情况处理即可：
def softmax(x): if x.ndim == 2: x = x.T x = x - np.max(x, axis=0) y = np.exp(x) / np.sum(np.exp(x), axis=0) return y.T x = x - np.max(x) return np.exp(x) / np.sum(np.exp(x))注：此代码来自前言提到的书本
我们之前分析了，其实就是求和函数的问题，因此我尝试着能不能写得更加简洁和统一些。
但是我没有成功，因为会遇到一些细节处理上的问题，例如批量情况下：最大值 max 也应当是按行求得；np.sum得到的是一维数组，为了最后相除时能够进行广播，进行转置是有必要的。
不过修改代码的尝试倒是加深了我对它的理解。
感谢阅读
