Softmax для глубокого обучения Python с numpy

Я реализовал softmax с numpy. Как видно из кода, у нас есть матрица, и мы хотим получить softmax для строки. Например, мягкий максимум для строки 1 вычисляется путем деления np.sum(np.exp([1,3,6,-3,1]) на 1,3,5,-3,1 Мягкий максимум для строки 2 состоит в том, чтобы найти мягкий максимум для np.sum(np.exp([5,2,1,4,3]). Как мне это сделать?

def softmax(x):
    return np.exp(x)/np.sum(np.exp(x),axis=1)
x = np.array([[1,3,6,-3,1],
              [5,2,1,4,3]])


print(softmax(x))
print(f"1:{softmax(x)[0]} sum : {np.sum(softmax(x)[0])}")
print(f"2:{softmax(x)[1]} sum : {np.sum(softmax(x)[1])}")

ValueError                                Traceback (most recent call last)
<ipython-input-261-eb8c9feae03f> in <module>
      5 
      6 
----> 7 print(softmax(x))
      8 print(f"1:{softmax(x)[0]} sum : {np.sum(softmax(x)[0])}")
      9 print(f"2:{softmax(x)[1]} sum : {np.sum(softmax(x)[1])}")

<ipython-input-261-eb8c9feae03f> in softmax(x)
      1 def softmax(x):
----> 2     return np.exp(x)/np.sum(np.exp(x),axis=1)
      3 x = np.array([[1,3,6,-3,1],
      4               [5,2,1,4,3]])
      5 

ValueError: operands could not be broadcast together with shapes (2,5) (2,) 
>

К вашему сведению: SciPy имеет функцию softmax начиная с версии 1.2.0: scipy.special.softmax

Warren Weckesser 26.12.2020 13:37
Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
0
1
859
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Вы должны reshapenp.sum результат.

np.exp(x) / np.sum(np.exp(x), axis=1).reshape(2,1)

вместо

np.exp(x) / np.sum(np.exp(x), axis=1)

Более общий способ, вы можете использовать приведенный ниже оператор.

return np.exp(x) / np.sum(np.exp(x),axis=1).reshape(x.shape[0], -1)
Ответ принят как подходящий

Проблема здесь в том, что sum(exp(x), axis=1) возвращает одномерный массив numpy. Измените его на sum(esp(x), axis=1, keepdims=True), чтобы numpy не удалял автоматически одно измерение.

def softmax(x):
    return np.exp(x)/np.sum(np.exp(x),axis=1, keepdims=True)

x = np.array([[1,3,6,-3,1],
              [5,2,1,4,3]])


print(softmax(x))
print(f"1:{softmax(x)[0]} sum : {np.sum(softmax(x)[0])}")
print(f"2:{softmax(x)[1]} sum : {np.sum(softmax(x)[1])}")

Другие вопросы по теме