Softmax回归函数是用于将分类结果归一化。但它不同于一般的按照比例归一化的方法，它通过对数变换来进行归一化，这样实现了较大的值在归一化过程中收益更多的情况。

Softmax公式

Softmax实现方法1

import numpy as npdef softmax(x): """Compute softmax values for each sets of scores in x.""" pass # TODO: Compute and return softmax(x) x = np.array(x) x = np.exp(x) x.astype('float32') if x.ndim == 1: sumcol = sum(x) for i in range(x.size): x[i] = x[i]/float(sumcol) if x.ndim > 1: sumcol = x.sum(axis = 0) for row in x: for i in range(row.size): row[i] = row[i]/float(sumcol[i]) return x#测试结果scores = [3.0,1.0, 0.2]print softmax(scores)

其计算结果如下：

[ 0.8360188 0.11314284 0.05083836]

Softmax实现方法2

import numpy as npdef softmax(x): return np.exp(x)/np.sum(np.exp(x),axis=0)#测试结果scores = [3.0,1.0, 0.2]print softmax(scores)

以上这篇Python下的Softmax回归函数的实现方法(推荐)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。