我在学习神经网络并用Python实现它。我首先定义了一个Softmax函数，我遵循了这个问题的解决方案 Softmax function – python。以下是我的代码：
def softmax(A): """ Computes a softmax function. Input: A (N, k) ndarray. Returns: (N, k) ndarray. """ s = 0 e = np.exp(A) s = e / np.sum(e, axis =0) return s我被提供了一段测试代码来检查softmax函数是否正确。test_array是测试数据，test_output是softmax(test_array)的正确输出。以下是测试代码：
# Test if your function works correctly.test_array = np.array([[0.101,0.202,0.303], [0.404,0.505,0.606]]) test_output = [[ 0.30028906, 0.33220277, 0.36750817], [ 0.30028906, 0.33220277, 0.36750817]]print(np.allclose(softmax(test_array),test_output))然而，根据我定义的softmax函数。使用softmax(test_array)测试数据返回
print (softmax(test_array))[[ 0.42482427 0.42482427 0.42482427] [ 0.57517573 0.57517573 0.57517573]]能有人指出我定义的softmax函数的问题吗？
回答：
问题出在你的求和上。你在axis 0上求和，而你应该保持axis 0不变。
为了对同一个样本中的所有条目求和，即同一行，你应该使用axis 1。
def softmax(A): """ Computes a softmax function. Input: A (N, k) ndarray. Returns: (N, k) ndarray. """ e = np.exp(A) return e / np.sum(e, axis=1, keepdims=True)使用keepdims来保持形状，以便能够将e除以总和。
在你的例子中，e计算结果为：
[[ 1.10627664 1.22384801 1.35391446] [ 1.49780395 1.65698552 1.83308438]]然后每个样本的总和（return行中的分母）是：
[[ 3.68403911] [ 4.98787384]]然后函数将每一行除以其总和，给出你test_output中的结果。
正如MaxU指出的，在指数化之前去除最大值是一个好做法，以避免溢出：
e = np.exp(A - np.sum(A, axis=1, keepdims=True))