我們已經知道，邏輯迴歸可生成介於 0 和 1.0 之間的小數。例如，某電子郵件分類器的邏輯迴歸輸出值為 0.8，表明電子郵件是垃圾郵件概率為 80%，不是垃圾郵件的概率為 20%。很明顯，一封電子郵件是垃圾郵件或非垃圾郵件的概率之和為 1.0 。
Softmax 將這一想法延伸到多類領域。也就是說，在多類別問題中，Softmax 會為每一個類別分配一個用小數表示的概率。這些用小數表示的概率相加之和必須是 1.0 。與其他方式相比，這種附加限制有助於讓訓練過程更加快速地收斂。
例如，回到我們在圖 1 中看到的圖片分析示例，Softmax 可能會得出圖片屬於某一天特定類別的一下概率；
Softmax 層是緊挨著輸出層之前的神經網路層。
Softmax 層必須和輸出層擁有一樣的節點數。
圖 2.神經網路中的 Softmax 層
Softmax 選項
請檢視一下 Softmax 變體：
- 完整 Softmax是我們一直以來討論的 Softmax；也就是說，Softmax 針對每個可能的類別計算概率。
- 候選取樣指 Softmax 針對所有正類別標籤進行計算概率，但僅針對負類別標籤的隨機樣本計算概率。例如，如果我們想要確定某個輸入圖片是小獵犬還是尋血獵犬圖片，則不必針對每個非狗狗樣本提供概率。
類別數量較少時，完整 Softmax 代價很小，但隨著類別數量的增加，它的代價會變得極其高昂。候選取樣可以提高處理具有大量類別的問題的效率。一個標籤與多個標籤
Softmax 假設每個樣本只是一個類別的成員。但是，一些樣本可以同時是多個類別的成員。對於此類示例： - 您不能使用 Softmax
- 您必須依賴多個邏輯迴歸。
例如，假設您的樣本只包含一項內容（一塊水果）的圖片。Softmax 可以確定該內容是梨、橙子、蘋果等的概率。如果您的樣本是包含各種各樣的內容（幾碗不同種類的水果）的圖片，您必須改用多個邏輯迴歸。
本作品採用《CC 協議》，轉載必須註明作者和本文連結