干货 | 浅谈 Softmax 函数

干货 | 浅谈 Softmax 函数

点击上方“视学算法”，马上关注

来自 | 知乎 作者 | LinT链接丨https://zhuanlan.zhihu.com/p/79585726编辑 | 深度学习这件小事公众号仅作学术交流，如有侵权，请联系删除

0. 引言

Softmax函数几乎是深度学习中的标配了，在人工神经网络中，几乎无处不可见softmax函数的身影。可以认为softmax是arg max *** 作的一种平滑近似。

我将softmax的用途总结为两种：

分类：给定一系列类别，softmax可以给出某输入被划分到各个类别的概率分布。由于人工智能领域的许多问题都可以抽象成分类问题，所以softmax最广泛的应用当属分类；寻址：由于softmax的输出是一种概率分布的形式，可以用它来实现一种软性的寻址。近几年逐渐推广的(软性)注意力机制就可以认为是一种软性寻址的方式，根据各个键向量与查询向量的相似度从各个值向量中获取一定的“信息”。因此使用了softmax的注意力机制也可以用于外部记忆的访问。

不难发现，在分类问题中，我们也可以使用arg max来找到对应的类别；在寻址问题中，一个直观的方法也是使用arg max寻找最相似的向量/记忆。但是arg max *** 作并不具有良好的数学性质，其不可导的性质使其无法直接应用基于梯度的优化方法。因此在分类和寻址两种用途中，常常都使用softmax函数替代arg max。

基于这两种用途，softmax可以在人工神经网络中充当什么样的角色，就靠诸君的想象了。这篇文章中，我想简单、粗浅地探讨一下softmax的一些性质与变种。

1. 基本形式

给定一个 维向量，softmax函数将其映射为一个概率分布。标准的softmax函数 由下面的公式定义[1]：

其中，分母是配分函数(Partition Function)，一般简记为 ，表示所有状态/值的总和，作为归一化因子；分子是势能函数(Potential Function)。

直观上看，标准softmax函数用一个自然底数 先拉大了输入值之间的差异，然后使用一个配分将其归一化为一个概率分布。在分类问题中，我们希望模型分配给正确的类别的概率接近1，其他的概率接近0，如果使用线性的归一化方法，很难达到这种效果，而softmax有一个先拉开差异再归一化的“两步走”战略，因此在分类问题中优势显著。

事实上，在势能函数和配分函数中，可以采用的底数不仅仅是自然底数 ，也可以采用一些其他的底数。原则上，任意 都可以作为这里的底数，越大的底数越能起到“拉开差异”的作用。使用 作为底数时，将产生以下的非标准softmax函数[1]：

其中 是一个实数，正的 常常在机器学习中使用，在信息检索的工作DSSM中， 就充当了一个平滑因子[2]；负的 常常在热力学系统中使用，由于一些概率图模型也参考了热力学的原理，所以在概率图模型中也常常能见到这种形式，如玻尔兹曼机。

2. 导数与优化

标准softmax具有非常漂亮的导数形式：

这里导数的推导可以参考 @邱锡鹏 老师的《神经网络与深度学习》[3]附录B.2.4的推导。

在分类问题中，softmax函数常常和交叉熵损失函数一起使用，此时交叉熵损失函数 对 的导数，由下面的形式给出：

其中 是真实标签对应的one-hot编码向量。这样的导数在优化时非常方便，实现起来也非常简单。

由于softmax函数先拉大了输入向量元素之间的差异，然后才归一化为一个概率分布，在应用到分类问题时，它使得各个类别的概率差异比较显著，最大值产生的概率更接近1，这样输出分布的形式更接近真实分布。

但是当softmax函数被应用到寻址时，例如注意力机制中，softmax这个拉大元素间差异的过程可能会导致一定的问题。假设输入向量有唯一的最大值，如果将arg max *** 作定义为指示最大值的一个one-hot编码函数 ，在非标准softmax中有[1]：

* 这里的证明参见下方的补充（A）。

如果将非标准softmax的 融入到输入中，则容易看出：当输入的方差/数量级较大时，softmax的输出会比较接近一个one-hot向量。根据式 ，其导数的两个项会比较接近，导致导数变成0矩阵。这也就导致了梯度弥散的问题，不利于优化，具体讨论可以参考我先前的一篇回答[4]。这也是为什么注意力机制中常常使用缩放点积形式的注意力。

插一句题外话，开篇提到softmax是arg max *** 作的一种平滑近似，而针对max *** 作的近似，其实有一个LogSumExp[5] *** 作(也叫作softmax)，其导数形式就是softmax函数，是不是很有趣呢？

3. Softmax的解释

Softmax可以由三个不同的角度来解释。从不同角度来看softmax函数，可以对其应用场景有更深刻的理解。

3.1 是arg max的一种平滑近似[1]

前面提到过，softmax可以当作arg max的一种平滑近似，与arg max *** 作中暴力地选出一个最大值（产生一个one-hot向量）不同，softmax将这种输出作了一定的平滑，即将one-hot输出中最大值对应的1按输入元素值的大小分配给其他位置。如式 所示，当底数增大时，softmax逐渐收敛为arg max *** 作。

在机器学习应用中，我们往往不（直接）需要一个arg max的 *** 作，这时候显然数学性质更好、更容易优化的softmax就是我们的第一选择。

3.2 归一化产生一个概率分布

Softmax函数的输出符合指数分布族的基本形式

其中 。

不难理解，softmax将输入向量归一化映射到一个类别概率分布，即 个类别上的概率分布（前文也有提到）。这也是为什么在深度学习中常常将softmax作为MLP的最后一层，并配合以交叉熵损失函数（对分布间差异的一种度量）。

3.3 产生概率无向图的联合概率

从概率图模型的角度来看，softmax的这种形式可以理解为一个概率无向图上的联合概率。因此你会发现，条件最大熵模型与softmax回归模型实际上是一致的，诸如这样的例子还有很多。由于概率图模型很大程度上借用了一些热力学系统的理论，因此也可以从物理系统的角度赋予softmax一定的内涵。

4. Softmax的改进与变种

Softmax函数是一种简单优美的归一化方法，但是它也有其固有的缺陷。直观上看，当应用到实际问题时，其最大的问题就在于配分函数的计算：当类别的数量很多时，配分函数的计算就成为了推断和训练时的一个瓶颈。在自然语言处理中，类别常常对应词汇表中的所有词汇，这个数量之大可见一斑，如果直接采用softmax计算方法，计算效率会非常低。因此一般采用一些方法改进softmax函数，加速模型训练。这里列举几个自然语言处理中的经典改进/变种[3]：

层次化softmax：将扁平的 分类问题转化为层次化的分类问题。将词汇表中的词分组组织成(二叉)树形结构，这样一个 分类问题，可以转化为多层的二分类问题，从而将求和的次数由 降低到了树的深度级别。这里可以使用的一个方法是，按照词汇的频率求和编码Huffman树，从而进一步减少求和 *** 作的计算次数。采样方法：使用梯度上升优化时，softmax的导数涉及到一次配分函数的计算和一次所有词汇上的softmax对词汇的梯度的期望，这两个计算都可以用采样方法来近似，比如重要性采样，这样计算次数由 减少为采样样本数 的级别。这种方法的性能很受采样策略的影响，以重要性采样方法为例，其效果就依赖于提议分布的选取；采样样本数 的选取也需要考虑精度和训练效率的折衷。噪声对比估计(NCE)：将密度估计问题转换为两类分类问题（区分噪声与真实数据），从而降低计算复杂度。其中配分函数被替换为了一个可学习的参数，这样NCE方法能促使输入的未归一化向量自己适应为一个归一化的、接近真实分布的分布向量。由于不再需要计算配分函数，训练效率大大提升。这种对比学习思想在深度学习中也十分常见。

5. 总结

前面简单讨论了softmax的性质、解释与变种，从现在来看，似乎softmax已经是神经网络中的一根老油条了。Softmax还有哪些可以挖掘的地方呢？作为一个菜鸟，只好先把这个问题抛给诸位了。

A. 补充

突然觉得式 直接放进来有一点太唐突了，觉得还是要简单证明一下，算是完善一下之前的回答。

假设固定输入 不变，变化参数 ，假设输入 中有唯一的最大值 ，则有：

不妨设 ，可以分类讨论一下：

1. 当 ，则 ，此时

2. 当 ，则 ，此时结合 ，可以得到即，当 取无穷大时，非标准softmax的输出收敛到一个one-hot向量，其中最大输入对应的输出值是1，其他输出是0。当输入向量中有多个最大值，可以更宽泛地定义arg max *** 作，使其输出为一个 维向量，其中 个最大值下标对应的输出为 ，其它输出为0。这时类似上面的证明，很容易验证，当 时，softmax依然仍然收敛为arg max *** 作。

参考链接：

[1] Softmax function

https://en.wikipedia.org/wiki/Softmax_function

[2] Huang et al., Learning Deep Structured Semantic Models for Web Search using Clickthrough Data

https://posenhuang.github.io/papers/cikm2013_DSSM_fullversion.pdf

[3] 邱锡鹏,《神经网络与深度学习》

https://nndl.github.io

[4] transformer中的attention为什么scaled? - lintongmao的回答 - 知乎

https://www.zhihu.com/question/339723385/answer/782509914

[5] LogSumExp https://en.wikipedia.org/wiki/LogSumExp