Scipy Softmax

Python ist die vielseitigste und bekannteste Programmiersprache aller anderen vorhandenen Programmiersprachen. Python wird von Amateurprogrammierern am beliebtesten, weil Python ein relativ einfaches Skript hat, das der englischen Sprache am ähnlich ist. Darüber hinaus gilt diese Sprache als tragbar und eine plattformübergreifende Computersprache.

Scipy ist ein Paket, das eine umfangreiche Liste von Python -Programmiersprachen enthält. Dieses Paket wird verwendet, um künstliche neuronale Netzwerke und tiefe Lernmodelle zu bauen und auszubilden. Es ermöglicht auch die mathematischen Berechnungen für Programme. Scipy „Softmax“ stellt eine Funktion dar, die für das ND-Array in den Programmen verwendet wird.

Um den Softmax zu verstehen, können wir davon ausgehen, dass die Softmax-Funktion die Zeilen oder jedes Element im ND-Array transformieren und das Exponential des individuellen Elements berechnen kann, indem er seine Aufteilung mit der Summe des Exponentials aller Elemente in den Zeilen übernimmt /Säulen. Es ist eine mathematische Funktion, die für die Umwandlung eines Vektors in einer Anzahl in einen Vektor verantwortlich ist, der sich in Wahrscheinlichkeiten befindet. Diese Wahrscheinlichkeit jedes Elements ist proportional zur Skala/Reichweite des jeweiligen Wertes des Elements in diesem Vektor und wird durch die Gleichung wie folgt angegeben:

$ softmax (x) = np. exp (x)/ sum (np. exp (x))

Softmax ist eine Aktivierungsfunktion und verallgemeinert oder nähert sich den Wertensatz in einen gewissen Schwellenwert über oder nähert sich an. Wenn der Wert weniger als der Schwellenwert ist, hat er unterschiedliche Bedeutung als der Wert, der gleich oder größer als der Schwellenwert ist, der in die unterschiedliche Kategorie fällt. In künstlichen neuronalen Netzwerken entscheidet sich die Aktivierungsfunktion.

Verfahren:

Im Artikel werden wir die Softmax -Aktivierungsfunktion aus der Skipy implementieren. Wir werden untersuchen, wie diese Funktion funktioniert und welche Vorteile sie im Programm geben kann. Wir werden auch die Syntax dieser Funktion kennenlernen und zwei Beispiele ausführen, um die Funktion gut zu üben.

Syntax:

$ scipy. ist besonders.Softmax (x, axis = keine)

Die Parameter des Softmax sind die "x" und "achse", wobei "x" das Array oder den Datensatz definiert, auf dem wir die Softmax -Aktivierung anwenden, und die "Achse" ist die Achse, in der wir diese Softmax -Funktion berechnen. Sein Standardwert entspricht keiner.

Rückgabewert:

Da die Funktionen den Wert jedes Elements in das Array in seine Wahrscheinlichkeit umwandeln, ist der Rückgabewert dieser Funktion ein einzelner Wert und „1“, da er die maximale und näherme Summe aller Exponentialwerte in den Zeilen benötigt.

Beispiel:

Verwenden wir die Softmax -Funktion in einem Array und untersuchen Sie die Ausgabe, wenn dies genau so ist, wie wir in der Beschreibung der Funktion behauptet haben. Navigieren Sie zur "Google Collaby". Dies ist eine Online-Python-Plattform und bietet vorinstallierte Pakete mit GPU. Um mit Google Collab zusammenzuarbeiten, erstellen wir ein neues Notizbuch und speichern es in Google Drive. Lassen Sie uns zunächst einige erforderliche Pakete aus dem vorinstallierten Python-Paket importieren, um die relevanten Module zu laden, die die Arbeit der Funktion „Softmax ()“ ermöglichen.

Zwei der wichtigsten Bibliotheken sind im Programm enthalten, „Numpy“ und „Scipy“. Spezielle “Bibliotheken. Wir importieren Numpy als "NP". Die Skipie.Spezial wird als „Softmax“ importiert. Dieser Softmax wird nun unserem Programm hinzugefügt. Wir können es jetzt nutzen und unser Programm mühelos laufen lassen. Jetzt erstellen wir ein ND-Array, damit wir die Softmax-Aktivierungsfunktion darauf anwenden können. Aber vorher machen wir einen weiteren Schritt und das heißt, die Float-Werte in unserem Array vorzulegen, die zu welcher Präzision oder bis zu welcher Anzahl der Orte nach dem Dezimalstellen angezeigt werden. Dies geschieht durch das Schreiben des Befehls als „NP.set_printoptions (precision = 4) ”im Programm. Die Funktion set_printoptions erledigt diese Präzision. Hier bedeutet die Präzision, die „4“ entspricht, dass die Werte auf vier Dezimalstellen drucken.

Mit diesem Schritt deklarieren wir jetzt eine Variable mit dem Namen "Array". Wir weisen dieser Variablen ein dreidimensionales Array zu. Um das dreidimensionale Array zu erstellen, nennen wir das „NP. Array ([]) "Methode als" NP ". Array ([[1, 0).5, 0.2, 3], [1, -1, 7, 3], [2, 12, 13, 3]]) ”. Dies ist das dreidimensionale Array, da dieses Array drei Spalten und drei Zeilen enthält. Dieses Array im Beispiel repräsentiert den Datensatz, da der Datensatz auch ein mehrdimensionales Array ist. Wir wenden die Softmax -Funktion in diesem Array als „Softmax (Array)“ an und speichern die Ergebnisse dieser Funktion in einer anderen Variablen „Ergebnis“. Oder wir drucken die Ergebnisse direkt mit Hilfe der Funktion „print ()“ aus. Der Code für dieses Programm wird im folgenden angehängten Snippet angezeigt:

von Scipy.Spezialimport Softmax
Numph als NP importieren
np.set_printoptions (precision = 4)
Array = np.Array ([[1, 2, 8, 3],
[1, -1, 2, 3],
[2, 11, 14, 3]]))
Ergebnis = Softmax (Array)
Druck (Ergebnis)
Ergebnis.Summe()

Beobachten Sie aus der Ausgabe, dass die Funktion den Wert in der Zeile umgewandelt hat, der genau so in die Exponentialwerte war, wie wir zuvor in der Einführung dieses Themas diskutiert wurden. Um zu überprüfen, ob diese Funktion die Summe dieser Werte übernimmt und den Wert „1“ zurückgibt, übergeben wir die Ergebnisse aus der Softmax -Funktion an die Summenfunktion als „Ergebnis“.sum () ”und zeigen die Ergebnisse an. Der Code für diese Erklärung ist in der folgenden Ausgabe angegeben:

Die Ausgabe gibt den Wert „1“ nach Berechnung der Summe zurück, was bedeutet, dass der zweite Punkt ebenfalls verifiziert wird.

Abschluss

Der Artikel bringt die "Softmax" -Funktion des Scipy ins Rampenlicht. Der Artikel gibt einen tieferen Einblick in das Konzept der Aktivierung Softmax -Funktion und warum wir sie in unseren Modellen benötigen. Anschließend zeigt es die Methode zur Anwendung der Softmax-Funktion im ND-Array, um die Ergebnisse zu überprüfen, die in der Erklärung des Themas erörtert wurden.