Функция Софтмакс

Эта статья посвящена плавной аппроксимации one-hot arg max. Для плавной аппроксимации max см. LogSumExp .

«Софтмакс» перенаправляется сюда. Чтобы узнать о корейской компании по производству видеоигр, см. ESA (компания) .

Функция softmax, также известная как softargmax. или нормализованная показательная функция , преобразует вектор K действительных чисел в распределение вероятностей K возможных результатов. Это обобщение логистической функции на несколько измерений, используемое в полиномиальной логистической регрессии . Функция softmax часто используется в качестве последней функции активации нейронной сети для нормализации выходных данных сети к распределению вероятностей по прогнозируемым классам выходных данных.

Определение

Функция softmax принимает на вход вектор z из K действительных чисел и нормализует его в распределение вероятностей , состоящее из K вероятностей, пропорциональных экспонентам входных чисел. То есть до применения softmax некоторые компоненты вектора могут быть отрицательными или превышать единицу; и сумма может не равна 1; но после применения softmax каждый компонент окажется в интервале $(0,1)$, а сумма компонентов составит 1, так что их можно интерпретировать как вероятности. Более того, более крупные входные компоненты будут соответствовать большим вероятностям.

Формально стандартная (единичная) функция softmax $\sigma \colon \mathbb {R} ^{K}\to (0,1)^{K}$, где $K\geq 1$, принимает вектор $\mathbf {z} =(z_{1},\dotsc ,z_{K})\in \mathbb {R} ^{K}$ и вычисляет каждый компонент вектора $\sigma (\mathbf {z} )\in (0,1)^{K}$ с

$$\sigma (\mathbf {z} )_{i}={\frac {e^{z_{i}}}{\sum _{j=1}^{K}e^{z_{j}}}}\,.$$

Другими словами, softmax применяет стандартную экспоненциальную функцию к каждому элементу. $z_{i}$ входного вектора $\mathbf {z}$ (состоящий из $K$действительные числа) и нормализует эти значения путем деления на сумму всех этих экспонент. Нормализация гарантирует, что сумма компонентов выходного вектора $\sigma (\mathbf {z} )$равно 1. Термин «softmax» происходит от усиливающего воздействия экспоненты на любые максимумы входного вектора. Например, стандартный softmax $(1,2,8)$ примерно $(0.001,0.002,0.997)$, что означает присвоение почти всего общего веса единицы результата позиции максимального элемента вектора (из 8).

В общем, вместо e другое основание b > 0 можно использовать . Как указано выше, если b > 1 , то более крупные входные компоненты приведут к увеличению выходных вероятностей, а увеличение значения b создаст распределения вероятностей, которые более сконцентрированы вокруг позиций наибольших входных значений. И наоборот, если 0 < b < 1 , то меньшие входные компоненты приведут к увеличению выходных вероятностей, а уменьшение значения b создаст распределения вероятностей, которые более сконцентрированы вокруг позиций наименьших входных значений. Письмо $b=e^{\beta }$ или $b=e^{-\beta }$ (для реального β ) дает выражения:

$$\sigma (\mathbf {z} )_{i}={\frac {e^{\beta z_{i}}}{\sum _{j=1}^{K}e^{\beta z_{j}}}}{\text{ or }}\sigma (\mathbf {z} )_{i}={\frac {e^{-\beta z_{i}}}{\sum _{j=1}^{K}e^{-\beta z_{j}}}}{\text{ for }}i=1,\dotsc ,K.$$

Величину, пропорциональную обратной величине β , иногда называют температурой : ${\textstyle \beta =1/kT}$, где k обычно равно 1 или постоянной Больцмана , а T — температура. Более высокая температура приводит к более равномерному распределению выходного сигнала (т. е. с более высокой энтропией; оно «более случайное»), тогда как более низкая температура приводит к более резкому распределению выходного сигнала с доминированием одного значения.

В некоторых областях база фиксирована, что соответствует фиксированному масштабу. в то время как в других параметр β (или T ) варьируется.

Интерпретации

Сглаженный макс. аргумент

См. также: Arg макс.

Функция Softmax — это плавное приближение к функции arg max : функции, значение которой является индексом наибольшего элемента вектора. Название «softmax» может ввести в заблуждение. Softmax не является гладким максимумом (то есть плавным приближением к функции максимума ). Термин «softmax» также используется для обозначения тесно связанной функции LogSumExp , которая представляет собой плавный максимум. По этой причине некоторые предпочитают более точный термин «softargmax», хотя термин «softmax» является общепринятым в машинном обучении. В этом разделе для ясности используется термин «softargmax».

Формально, вместо рассмотрения arg max как функции с категориальным выходом $1,\dots ,n$ (соответствует индексу), рассмотрим функцию arg max с горячим представлением вывода (при условии, что существует уникальный максимальный arg):

$\operatorname {arg\,max} (z_{1},\,\dots ,\,z_{n})=(y_{1},\,\dots ,\,y_{n})=(0,\,\dots ,\,0,\,1,\,0,\,\dots ,\,0),$

где выходная координата $y_{i}=1$ если и только если $i$ это arg max $(z_{1},\dots ,z_{n})$, значение $z_{i}$ это уникальное максимальное значение $(z_{1},\,\dots ,\,z_{n})$. Например, в этой кодировке $\operatorname {arg\,max} (1,5,10)=(0,0,1),$ поскольку третий аргумент является максимальным.

Это можно обобщить на несколько значений arg max (несколько равных $z_{i}$является максимальным) путем деления 1 между всеми максимальными аргументами; формально 1/k , где k — количество аргументов, предполагающее максимум. Например, $\operatorname {arg\,max} (1,\,5,\,5)=(0,\,1/2,\,1/2),$поскольку второй и третий аргумент являются максимальными. В случае, если все аргументы равны, это просто $\operatorname {arg\,max} (z,\dots ,z)=(1/n,\dots ,1/n).$ Точки z с несколькими значениями arg max являются особыми точками (или особенностями и образуют особое множество) – это точки, в которых arg max является разрывным (с скачком ) – в то время как точки с одним arg max известны как неособые. или обычные точки.

Благодаря последнему выражению, приведенному во введении, softargmax теперь является плавной аппроксимацией arg max: как $\beta \to \infty$, softargmax сходится к arg max. Существуют различные понятия сходимости функции; softargmax сходится к arg max поточечно , что означает для каждого фиксированного входа z как $\beta \to \infty$, $\sigma _{\beta }(\mathbf {z} )\to \operatorname {arg\,max} (\mathbf {z} ).$Однако softargmax не сходится к arg max равномерно , что интуитивно означает, что разные точки сходятся с разной скоростью и могут сходиться сколь угодно медленно. Фактически, softargmax непрерывен, но arg max не является непрерывным в сингулярном множестве, где две координаты равны, в то время как равномерный предел непрерывных функций непрерывен. Причина, по которой он не может сходиться равномерно, заключается в том, что для входных данных, где две координаты почти равны (и одна из них является максимальной), arg max является индексом одной или другой, поэтому небольшое изменение входных данных приводит к большому изменению выходных данных. Например, $\sigma _{\beta }(1,\,1.0001)\to (0,1),$ но $\sigma _{\beta }(1,\,0.9999)\to (1,\,0),$ и $\sigma _{\beta }(1,\,1)=1/2$ для всех входов: чем ближе точки к единственному множеству $(x,x)$, тем медленнее они сходятся. Однако softargmax компактно сходится на неособом множестве.

И наоборот, как $\beta \to -\infty$, softargmax сходится к arg min таким же образом, где здесь сингулярный набор — это точки с двумя значениями arg min . На языке тропического анализа softmax — это деформация или «квантование» arg max и arg min, соответствующая использованию логарифмического полукольца вместо полукольца max-plus (соответственно min-plus semiring ) и восстановлению arg max или arg min. arg min путем принятия предела называется «тропикализация» или «деквантование».

Это также тот случай, когда для любого фиксированного β , если один вход $z_{i}$ значительно больше остальных по отношению к температуре, $T=1/\beta$, выходной сигнал приблизительно равен arg max. Например, разница в 10 велика по сравнению с температурой в 1:

$$\sigma (0,\,10):=\sigma _{1}(0,\,10)=\left(1/\left(1+e^{10}\right),\,e^{10}/\left(1+e^{10}\right)\right)\approx (0.00005,\,0.99995)$$

Однако если разница невелика по отношению к температуре, значение не близко к arg max. Например, разница в 10 мала по сравнению с температурой в 100:

$$\sigma _{1/100}(0,\,10)=\left(1/\left(1+e^{1/10}\right),\,e^{1/10}/\left(1+e^{1/10}\right)\right)\approx (0.475,\,0.525).$$

Как $\beta \to \infty$, температура достигает нуля, $T=1/\beta \to 0$, поэтому в конечном итоге все различия становятся большими (относительно снижения температуры), что дает другую интерпретацию предельного поведения.

Теория вероятностей

В теории вероятностей выходные данные функции softargmax можно использовать для представления категориального распределения , то есть распределения вероятностей по K различным возможным результатам.

Статистическая механика

В статистической механике функция softargmax известна как распределение Больцмана (или распределение Гиббса ): набор индексов ${1,\,\dots ,\,k}$– микросостояния системы; входы $z_{i}$являются энергиями этого состояния; знаменатель известен как статистическая сумма , часто обозначаемая Z ; а фактор β называется холодностью (или термодинамической бета , или обратной температурой ).

Приложения

Функция softmax используется в различных методах многоклассовой классификации , таких как полиномиальная логистическая регрессия (также известная как регрессия softmax), многоклассовый линейный дискриминантный анализ , наивные классификаторы Байеса и искусственные нейронные сети . В частности, в полиномиальной логистической регрессии и линейном дискриминантном анализе входными данными для функции является результат K различных линейных функций , а прогнозируемая вероятность для j -го класса с учетом выборочного вектора x и весового вектора w равна:

$P(y=j\mid \mathbf {x} )={\frac {e^{\mathbf {x} ^{\mathsf {T}}\mathbf {w} _{j}}}{\sum _{k=1}^{K}e^{\mathbf {x} ^{\mathsf {T}}\mathbf {w} _{k}}}}$

Это можно рассматривать как композицию функций K линейных $\mathbf {x} \mapsto \mathbf {x} ^{\mathsf {T}}\mathbf {w} _{1},\ldots ,\mathbf {x} \mapsto \mathbf {x} ^{\mathsf {T}}\mathbf {w} _{K}$ и функция softmax (где $\mathbf {x} ^{\mathsf {T}}\mathbf {w}$ обозначает внутренний продукт $\mathbf {x}$ и $\mathbf {w}$). Эта операция эквивалентна применению линейного оператора, определенного формулой $\mathbf {w}$ векторам $\mathbf {x}$, преобразуя таким образом исходные, вероятно, многомерные входные данные в векторы в K -мерном пространстве $\mathbb {R} ^{K}$.

Нейронные сети

Стандартная функция softmax часто используется на последнем уровне классификатора на основе нейронной сети. Такие сети обычно обучаются в режиме логарифмических потерь (или перекрестной энтропии ), что дает нелинейный вариант полиномиальной логистической регрессии.

Поскольку функция отображает вектор и конкретный индекс $i$ к реальному значению, производная должна учитывать индекс:

$${\frac {\partial }{\partial q_{k}}}\sigma ({\textbf {q}},i)=\sigma ({\textbf {q}},i)(\delta _{ik}-\sigma ({\textbf {q}},k)).$$

Это выражение симметрично по индексам $i,k$ и, таким образом, также может быть выражено как

${\frac {\partial }{\partial q_{k}}}\sigma ({\textbf {q}},i)=\sigma ({\textbf {q}},k)(\delta _{ik}-\sigma ({\textbf {q}},i)).$

Здесь для простоты используется дельта Кронекера (см. производную сигмовидной функции , выражаемую через саму функцию).

Чтобы обеспечить стабильные численные вычисления, обычно вычитают максимальное значение из входного вектора. Этот подход, хотя теоретически и не изменяет выходные данные или производную, повышает стабильность за счет непосредственного контроля вычисленного максимального значения показателя степени.

Если функция масштабируется с помощью параметра $\beta$, то эти выражения нужно умножить на $\beta$.

См. полиномиальный логит для вероятностной модели, которая использует функцию активации softmax.

Обучение с подкреплением

В области обучения с подкреплением можно использовать функцию softmax для преобразования значений в вероятности действий. Обычно используется следующая функция:

$$P_{t}(a)={\frac {\exp(q_{t}(a)/\tau )}{\sum _{i=1}^{n}\exp(q_{t}(i)/\tau )}}{\text{,}}$$

где значение действия $q_{t}(a)$ соответствует ожидаемому вознаграждению за выполнение действий a и $\tau$называется температурным параметром (имеется в виду статистическая механика ). При высоких температурах ( $\tau \to \infty$), все действия имеют почти одинаковую вероятность, и чем ниже температура, тем больше ожидаемые награды влияют на вероятность. При низкой температуре ( $\tau \to 0^{+}$), вероятность действия с наибольшим ожидаемым вознаграждением стремится к 1.

Вычислительная сложность и способы устранения

В приложениях нейронных сетей число K возможных результатов часто велико, например, в случае моделей нейронного языка , которые предсказывают наиболее вероятный результат на основе словаря, который может содержать миллионы возможных слов. Это может сделать вычисления для слоя softmax (т.е. матричные умножения для определения $z_{i}$, с последующим применением самой функции softmax) требует больших вычислительных затрат. Более того, градиентного спуска метод обратного распространения ошибки для обучения такой нейронной сети включает вычисление softmax для каждого обучающего примера, и количество обучающих примеров также может стать большим. Вычислительные усилия для softmax стали основным ограничивающим фактором в разработке более крупных моделей нейронного языка, побуждая использовать различные средства для сокращения времени обучения.

Подходы, которые реорганизуют слой softmax для более эффективного расчета, включают иерархический softmax и дифференцированный softmax . Иерархический softmax (представленный Морином и Бенджио в 2005 году) использует бинарную древовидную структуру, в которой результаты (словарные слова) являются листьями, а промежуточные узлы — соответствующим образом выбранными «классами» результатов, образующими скрытые переменные . Желаемая вероятность (значение softmax) листа (результата) затем может быть рассчитана как произведение вероятностей всех узлов на пути от корня до этого листа. В идеале, когда дерево сбалансировано, это уменьшит сложность вычислений с $O(K)$ к $O(\log _{2}K)$. На практике результаты зависят от выбора хорошей стратегии кластеризации результатов по классам. использовалось дерево Хаффмана . Для этого в моделях Google word2vec (представленных в 2013 году) для достижения масштабируемости

Второй тип средств основан на аппроксимации softmax (во время обучения) с помощью модифицированных функций потерь, которые позволяют избежать расчета полного коэффициента нормализации. К ним относятся методы, которые ограничивают сумму нормализации выборкой результатов (например, выборка по значимости, целевая выборка).

Математические свойства

Геометрически функция softmax отображает векторное пространство. $\mathbb {R} ^{K}$ до границы стандарта ​ $(K-1)$-simplex , сокращая размерность на единицу (диапазон представляет собой $(K-1)$-мерный симплекс в $K$-мерное пространство) из-за линейного ограничения , согласно которому сумма всех выходных данных равна 1, что означает, что они лежат на гиперплоскости .

По главной диагонали $(x,\,x,\,\dots ,\,x),$ softmax — это просто равномерное распределение по выходам, $(1/n,\dots ,1/n)$: равные оценки дают равные вероятности.

В более общем смысле, softmax инвариантен при переносе на одно и то же значение по каждой координате: добавление $\mathbf {c} =(c,\,\dots ,\,c)$ ко входам $\mathbf {z}$ урожайность $\sigma (\mathbf {z} +\mathbf {c} )=\sigma (\mathbf {z} )$, поскольку он умножает каждый показатель степени на один и тот же коэффициент, $e^{c}$ (потому что $e^{z_{i}+c}=e^{z_{i}}\cdot e^{c}$), поэтому соотношения не меняются:

$\sigma (\mathbf {z} +\mathbf {c} )_{j}={\frac {e^{z_{j}+c}}{\sum _{k=1}^{K}e^{z_{k}+c}}}={\frac {e^{z_{j}}\cdot e^{c}}{\sum _{k=1}^{K}e^{z_{k}}\cdot e^{c}}}=\sigma (\mathbf {z} )_{j}.$

Геометрически softmax является постоянным вдоль диагоналей: это измерение, которое исключается и соответствует тому, что выходные данные softmax не зависят от перевода входных оценок (выбор 0 баллов). Можно нормализовать входные оценки, предположив, что сумма равна нулю (вычтите среднее значение: $\mathbf {c}$ где ${\textstyle c={\frac {1}{n}}\sum z_{i}}$), а затем softmax принимает гиперплоскость точек, сумма которых равна нулю, ${\textstyle \sum z_{i}=0}$, к открытому симплексу положительных значений, сумма которых равна 1 ${\textstyle \sum \sigma (\mathbf {z} )_{i}=1}$, аналогично тому, как показатель степени принимает значения от 0 до 1, $e^{0}=1$ и является положительным.

Напротив, softmax не инвариантен при масштабировании. Например, $\sigma {\bigl (}(0,\,1){\bigr )}={\bigl (}1/(1+e),\,e/(1+e){\bigr )}$ но $\sigma {\bigl (}(0,2){\bigr )}={\bigl (}1/\left(1+e^{2}\right),\,e^{2}/\left(1+e^{2}\right){\bigr )}.$

Стандартная логистическая функция — это частный случай одномерной оси в двумерном пространстве, скажем, оси x в плоскости (x, y) . Одна переменная имеет фиксированное значение 0 (скажем, $z_{2}=0$), так $e^{0}=1$, а другая переменная может меняться, обозначим ее $z_{1}=x$, так ${\textstyle e^{z_{1}}/\sum _{k=1}^{2}e^{z_{k}}=e^{x}/\left(e^{x}+1\right),}$ стандартная логистическая функция и ${\textstyle e^{z_{2}}/\sum _{k=1}^{2}e^{z_{k}}=1/\left(e^{x}+1\right),}$его дополнение (то есть их сумма равна 1). Альтернативно одномерные входные данные могут быть выражены в виде линии $(x/2,\,-x/2)$, с выходами $e^{x/2}/\left(e^{x/2}+e^{-x/2}\right)=e^{x}/\left(e^{x}+1\right)$ и $e^{-x/2}/\left(e^{x/2}+e^{-x/2}\right)=1/\left(e^{x}+1\right).$

Функция softmax также является градиентом функции LogSumExp , плавным максимумом :

${\frac {\partial }{\partial z_{i}}}\operatorname {LSE} (\mathbf {z} )={\frac {\exp z_{i}}{\sum _{j=1}^{K}\exp z_{j}}}=\sigma (\mathbf {z} )_{i},\quad {\text{ for }}i=1,\dotsc ,K,\quad \mathbf {z} =(z_{1},\,\dotsc ,\,z_{K})\in \mathbb {R} ^{K},$

где функция LogSumExp определяется как $\operatorname {LSE} (z_{1},\,\dots ,\,z_{n})=\log \left(\exp(z_{1})+\cdots +\exp(z_{n})\right)$.

История

Функция softmax использовалась в статистической механике как распределение Больцмана в основополагающей статье Больцмана (1868) : формализовано и популяризировано во влиятельном учебнике Гиббса (1902) .

Использование softmax в теории принятия решений приписывают Р. Дункану Люсу . который использовал аксиому независимости нерелевантных альтернатив в теории рационального выбора , чтобы вывести softmax в аксиоме выбора Люса для относительных предпочтений.

В машинном обучении термин «софтмакс» приписывается Джону С. Брайдлу в двух докладах на конференции 1989 года, Bridle (1990a) : и Уздечка (1990b) :

Нас интересуют нелинейные сети с прямой связью (многослойные перцептроны или MLP) с несколькими выходами. Мы хотим рассматривать выходные данные сети как вероятности альтернатив ( например, классов шаблонов), обусловленные входными данными. Мы ищем подходящие выходные нелинейности и подходящие критерии для адаптации параметров сети ( например, весов). Мы объясняем две модификации: оценку вероятности, которая является альтернативой минимизации квадратичной ошибки, и нормализованное экспоненциальное ( softmax ) многовходное обобщение логистической нелинейности.

Для любого входа все выходные данные должны быть положительными, а их сумма должна быть равна единице. ...

Учитывая набор неограниченных значений, $V_{j}(x)$, мы можем обеспечить оба условия, используя нормализованное экспоненциальное преобразование:

$Q_{j}(x)=\left.e^{V_{j}(x)}\right/\sum _{k}e^{V_{k}(x)}$

Это преобразование можно рассматривать как многовходовое обобщение логистики, действующее на всем выходном уровне. Он сохраняет ранговый порядок входных значений и является дифференцируемым обобщением операции выбора максимального значения по принципу «победитель получает все». По этой причине мы называем его softmax .

Пример

При вводе (1, 2, 3, 4, 1, 2, 3) softmax составляет примерно (0,024, 0,064, 0,175, 0,475, 0,024, 0,064, 0,175) . Выходные данные имеют большую часть своего веса там, где в исходном вводе была цифра «4». Обычно эта функция используется для того, чтобы выделить самые большие значения и подавить значения, которые значительно ниже максимального значения. Но обратите внимание: изменение температуры меняет выходной сигнал. Когда температура умножается на 10, входные данные фактически равны (0,1, 0,2, 0,3, 0,4, 0,1, 0,2, 0,3) , а softmax составляет приблизительно (0,125, 0,138, 0,153, 0,169, 0,125, 0,138, 0,153) . Это показывает, что высокие температуры принижают значение максимального значения.

Вычисление этого примера с использованием кода Python :

>>>  импортируйте   numpy   как   np 
 >>>  z   =   np  .   массив  ([  1.0  ,   2.0  ,   3.0  ,   4.0  ,   1.0  ,   2.0  ,   3.0  ]) 
 >>>  бета   =   1.0 
 >>>  np  .   exp  (  бета   *   z  )   /   np  .   sum  (  np  .  exp  (  beta   *   z  ))  
 массив ([0,02364054, 0,06426166, 0,1746813, 0,474833, 0,02364054, 
 0,06426166, 0,1746813]) 

Альтернативы

Функция softmax генерирует вероятностные прогнозы, плотно распределенные по ее поддержке. Другие функции, такие как sparsemax или α- entmax, можно использовать, когда желательны прогнозы с разреженной вероятностью.

См. также

• Софтплюс
• Полиномиальная логистическая регрессия
• Распределение Дирихле – альтернативный способ выборки категориальных распределений
• Функция разделения
• Экспоненциальный наклон - обобщение Softmax на более общие распределения вероятностей.