我有一个神经网络，输入为一组one-hot的m*n向量，其中行表示类别，列表示位置。

我想训练一个网络，使其在输出层输出另一个（随机的）具有相同m*n形状的向量，每列的概率之和为1。想法是使用softmax作为最终层，但我是否需要分别构建每一列然后像这里一样拼接？还是在Keras中有更简单的方式实现（例如一行代码）？

回答：

如果你的模型的输出形状为(None, m, n)，并且你想在第二个轴上计算softmax，你可以简单地使用softmax激活方法，并传递axis参数（在你的情况下应为axis=1）：

from keras import activationsdef the_softmax(axis):    def my_softmax(x):        return activations.softmax(x, axis=axis)    return my_softmax# 顺序模型model.add(Dense(..., activation=the_softmax(1)))# 函数式模型output = Dense(..., activation=the_softmax(1))(prev_layer_output)

或者，如果你想将其作为独立的层使用，你可以使用Lambda层和后端的softmax函数：

from keras import backend as Kdef the_softmax(axis):    def my_softmax(x):        return K.softmax(x, axis=axis)    return my_softmax# 顺序模型model.add(Lambda(the_softmax(1)))# 函数式模型output = Lambda(the_softmax(1))(prev_layer_output)