Python怎么实现softmax反向传播

这篇文章主要介绍“Python怎么实现softmax反向传播”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“Python怎么实现softmax反向传播”文章能帮助大家解决问题。

反向传播求导

可以看到，softmax 计算了多个神经元的输入，在反向传播求导时，需要考虑对不同神经元的参数求导。

分两种情况考虑：

• 当求导的参数位于分子时

• 当求导的参数位于分母时

当求导的参数位于分子时：

当求导的参数位于分母时(e^z2 or e^z3这两个是对称的，求导结果是一样的)：

代码

import torchimport mathdef my_softmax(features):    _sum = 0    for i in features:        _sum += math.e ** i    return torch.Tensor([ math.e ** i / _sum for i in features ])def my_softmax_grad(outputs):        n = len(outputs)    grad = []    for i in range(n):        temp = []        for j in range(n):            if i == j:                temp.append(outputs[i] * (1- outputs[i]))            else:                temp.append(-outputs[j] * outputs[i])        grad.append(torch.Tensor(temp))    return gradif __name__ == '__main__':    features = torch.randn(10)    features.requires_grad_()    torch_softmax = torch.nn.functional.softmax    p1 = torch_softmax(features,dim=0)    p2 = my_softmax(features)    print(torch.allclose(p1,p2))        n = len(p1)    p2_grad = my_softmax_grad(p2)    for i in range(n):        p1_grad = torch.autograd.grad(p1[i],features, retain_graph=True)        print(torch.allclose(p1_grad[0], p2_grad[i]))

关于“Python怎么实现softmax反向传播”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注编程网行业资讯频道，小编每天都会为大家更新不同的知识点。