Softmax层 输出&梯度推导及Python实现

Softmax层 输出&梯度推导及Python实现

详细代码在这里，存在于Layer.py中的Softmax类里面

推导

太长不看 下面有结论及代码

结论

约定：Input = I 输入，Output = O 输出

• Softmax层的前向传播非常简单，就是输入向量的每个分量取指数，再除以所有分量的指数和即可
• 反向传播需要计算输出向量对输入向量的导数，输出向量i分量（Oi）对输入向量的分量j（Ij）的导数分为两种情况：
  1. i=j 时，其值等于 Oi * (1 - Oi)
  2. i≠j 时，其值等于 -1 * Oi * Ij
• 整个输出向量O，欲求O对于 Ii 的导数，必须依次计算 O1，O2， O3 …On 对 Ii的导数，再将他们加和，作为 O 对 Ii 的导数

代码

# Forward propagation
# param x : last layer's output
# 前向传播
# x 是当前层的输入
def FP(self, x):
    self.input = x.copy()
    self.expi = np.exp(self.input)
    self.sum = np.sum(self.expi)
    self.output = self.expi / self.sum
    self.next_layer.FP(x=self.output)

# Back propagation
# param gradient : last layer's gradient
# param lr       : learning rate
# 反向传播，gradient是当前层输出对损失函数的梯度， lr是学习率
def BP(self, gradient, lr):
    self.gradient = gradient.copy()
    self.tp = self.expi/self.sum
    self.last_layer_gradient = np.zeros(shape=self.input_shape, dtype=np.float64)

    for i in range(self.input_shape[0]):
        # gradient for Input[i]
        # 输入向量 Input 的第 i 个位置的梯度
        self.gradient_for_Ii = np.zeros(shape=self.input_shape, dtype=np.float64)

        for j in range(self.input_shape[0]):
            if i == j:
                self.gradient_for_Ii[j] = self.output[i]*(1 - self.output[i])
            else:
                self.gradient_for_Ii[j] = -1 * self.output[i] * self.output[j]

        self.last_layer_gradient[i] = np.sum(self.gradient_for_Ii * self.gradient)

    self.last_layer.BP(gradient=self.last_layer_gradient, lr=lr)