.. _sec_softmax: softmax回归 =========== 在 :numref:`sec_linear_regression`\ 中我们介绍了线性回归。 随后，在 :numref:`sec_linear_scratch`\ 中我们从头实现线性回归。 然后，在 :numref:`sec_linear_concise`\ 中我们使用深度学习框架的高级API简洁实现线性回归。 回归可以用于预测\ *多少*\ 的问题。 比如预测房屋被售出价格，或者棒球队可能获得的胜场数，又或者患者住院的天数。 事实上，我们也对\ *分类*\ 问题感兴趣：不是问“多少”，而是问“哪一个”： - 某个电子邮件是否属于垃圾邮件文件夹？ - 某个用户可能\ *注册*\ 或\ *不注册*\ 订阅服务？ - 某个图像描绘的是驴、狗、猫、还是鸡？ - 某人接下来最有可能看哪部电影？ 通常，机器学习实践者用\ *分类*\ 这个词来描述两个有微妙差别的问题： 1. 我们只对样本的“硬性”类别感兴趣，即属于哪个类别； 2. 我们希望得到“软性”类别，即得到属于每个类别的概率。 这两者的界限往往很模糊。其中的一个原因是：即使我们只关心硬类别，我们仍然使用软类别的模型。 .. _subsec_classification-problem: 分类问题 -------- 我们从一个图像分类问题开始。 假设每次输入是一个\ :math:`2\times2`\ 的灰度图像。 我们可以用一个标量表示每个像素值，每个图像对应四个特征\ :math:`x_1, x_2, x_3, x_4`\ 。 此外，假设每个图像属于类别“猫”“鸡”和“狗”中的一个。 接下来，我们要选择如何表示标签。 我们有两个明显的选择：最直接的想法是选择\ :math:`y \in \{1, 2, 3\}`\ ， 其中整数分别代表\ :math:`\{\text{狗}, \text{猫}, \text{鸡}\}`\ 。 这是在计算机上存储此类信息的有效方法。 如果类别间有一些自然顺序， 比如说我们试图预测\ :math:`\{\text{婴儿}, \text{儿童}, \text{青少年}, \text{青年人}, \text{中年人}, \text{老年人}\}`\ ， 那么将这个问题转变为回归问题，并且保留这种格式是有意义的。 但是一般的分类问题并不与类别之间的自然顺序有关。 幸运的是，统计学家很早以前就发明了一种表示分类数据的简单方法：\ *独热编码*\ （one-hot encoding）。 独热编码是一个向量，它的分量和类别一样多。 类别对应的分量设置为1，其他所有分量设置为0。 在我们的例子中，标签\ :math:`y`\ 将是一个三维向量， 其中\ :math:`(1, 0, 0)`\ 对应于“猫”、\ :math:`(0, 1, 0)`\ 对应于“鸡”、\ :math:`(0, 0, 1)`\ 对应于“狗”： .. math:: y \in \{(1, 0, 0), (0, 1, 0), (0, 0, 1)\}. 网络架构 -------- 为了估计所有可能类别的条件概率，我们需要一个有多个输出的模型，每个类别对应一个输出。 为了解决线性模型的分类问题，我们需要和输出一样多的\ *仿射函数*\ （affine function）。 每个输出对应于它自己的仿射函数。 在我们的例子中，由于我们有4个特征和3个可能的输出类别， 我们将需要12个标量来表示权重（带下标的\ :math:`w`\ ）， 3个标量来表示偏置（带下标的\ :math:`b`\ ）。 下面我们为每个输入计算三个\ *未规范化的预测*\ （logit）：\ :math:`o_1`\ 、\ :math:`o_2`\ 和\ :math:`o_3`\ 。 .. math:: \begin{aligned} o_1 &= x_1 w_{11} + x_2 w_{12} + x_3 w_{13} + x_4 w_{14} + b_1,\\ o_2 &= x_1 w_{21} + x_2 w_{22} + x_3 w_{23} + x_4 w_{24} + b_2,\\ o_3 &= x_1 w_{31} + x_2 w_{32} + x_3 w_{33} + x_4 w_{34} + b_3. \end{aligned} 我们可以用神经网络图 :numref:`fig_softmaxreg`\ 来描述这个计算过程。 与线性回归一样，softmax回归也是一个单层神经网络。 由于计算每个输出\ :math:`o_1`\ 、\ :math:`o_2`\ 和\ :math:`o_3`\ 取决于 所有输入\ :math:`x_1`\ 、\ :math:`x_2`\ 、\ :math:`x_3`\ 和\ :math:`x_4`\ ， 所以softmax回归的输出层也是全连接层。 .. _fig_softmaxreg: .. figure:: ../img/softmaxreg.svg softmax回归是一种单层神经网络 为了更简洁地表达模型，我们仍然使用线性代数符号。 通过向量形式表达为\ :math:`\mathbf{o} = \mathbf{W} \mathbf{x} + \mathbf{b}`\ ， 这是一种更适合数学和编写代码的形式。 由此，我们已经将所有权重放到一个\ :math:`3 \times 4`\ 矩阵中。 对于给定数据样本的特征\ :math:`\mathbf{x}`\ ， 我们的输出是由权重与输入特征进行矩阵-向量乘法再加上偏置\ :math:`\mathbf{b}`\ 得到的。 .. _subsec_parameterization-cost-fc-layers: 全连接层的参数开销 ------------------ 正如我们将在后续章节中看到的，在深度学习中，全连接层无处不在。 然而，顾名思义，全连接层是“完全”连接的，可能有很多可学习的参数。 具体来说，对于任何具有\ :math:`d`\ 个输入和\ :math:`q`\ 个输出的全连接层， 参数开销为\ :math:`\mathcal{O}(dq)`\ ，这个数字在实践中可能高得令人望而却步。 幸运的是，将\ :math:`d`\ 个输入转换为\ :math:`q`\ 个输出的成本可以减少到\ :math:`\mathcal{O}(\frac{dq}{n})`\ ， 其中超参数\ :math:`n`\ 可以由我们灵活指定，以在实际应用中平衡参数节约和模型有效性 :cite:`Zhang.Tay.Zhang.ea.2021`\ 。 .. _subsec_softmax_operation: softmax运算 ----------- 现在我们将优化参数以最大化观测数据的概率。 为了得到预测结果，我们将设置一个阈值，如选择具有最大概率的标签。 我们希望模型的输出\ :math:`\hat{y}_j`\ 可以视为属于类\ :math:`j`\ 的概率， 然后选择具有最大输出值的类别\ :math:`\operatorname*{argmax}_j y_j`\ 作为我们的预测。 例如，如果\ :math:`\hat{y}_1`\ 、\ :math:`\hat{y}_2`\ 和\ :math:`\hat{y}_3`\ 分别为0.1、0.8和0.1， 那么我们预测的类别是2，在我们的例子中代表“鸡”。 然而我们能否将未规范化的预测\ :math:`o`\ 直接视作我们感兴趣的输出呢？ 答案是否定的。 因为将线性层的输出直接视为概率时存在一些问题： 一方面，我们没有限制这些输出数字的总和为1。 另一方面，根据输入的不同，它们可以为负值。 这些违反了 :numref:`sec_prob`\ 中所说的概率基本公理。 要将输出视为概率，我们必须保证在任何数据上的输出都是非负的且总和为1。 此外，我们需要一个训练的目标函数，来激励模型精准地估计概率。 例如， 在分类器输出0.5的所有样本中，我们希望这些样本是刚好有一半实际上属于预测的类别。 这个属性叫做\ *校准*\ （calibration）。 社会科学家邓肯·卢斯于1959年在\ *选择模型*\ （choice model）的理论基础上 发明的\ *softmax函数*\ 正是这样做的： softmax函数能够将未规范化的预测变换为非负数并且总和为1，同时让模型保持 可导的性质。 为了完成这一目标，我们首先对每个未规范化的预测求幂，这样可以确保输出非负。 为了确保最终输出的概率值总和为1，我们再让每个求幂后的结果除以它们的总和。如下式： .. math:: \hat{\mathbf{y}} = \mathrm{softmax}(\mathbf{o})\quad \text{其中}\quad \hat{y}_j = \frac{\exp(o_j)}{\sum_k \exp(o_k)} :label: eq_softmax_y_and_o 这里，对于所有的\ :math:`j`\ 总有\ :math:`0 \leq \hat{y}_j \leq 1`\ 。 因此，\ :math:`\hat{\mathbf{y}}`\ 可以视为一个正确的概率分布。 softmax运算不会改变未规范化的预测\ :math:`\mathbf{o}`\ 之间的大小次序，只会确定分配给每个类别的概率。 因此，在预测过程中，我们仍然可以用下式来选择最有可能的类别。 .. math:: \operatorname*{argmax}_j \hat y_j = \operatorname*{argmax}_j o_j. 尽管softmax是一个非线性函数，但softmax回归的输出仍然由输入特征的仿射变换决定。 因此，softmax回归是一个\ *线性模型*\ （linear model）。 .. _subsec_softmax_vectorization: 小批量样本的矢量化 ------------------ 为了提高计算效率并且充分利用GPU，我们通常会对小批量样本的数据执行矢量计算。 假设我们读取了一个批量的样本\ :math:`\mathbf{X}`\ ， 其中特征维度（输入数量）为\ :math:`d`\ ，批量大小为\ :math:`n`\ 。 此外，假设我们在输出中有\ :math:`q`\ 个类别。 那么小批量样本的特征为\ :math:`\mathbf{X} \in \mathbb{R}^{n \times d}`\ ， 权重为\ :math:`\mathbf{W} \in \mathbb{R}^{d \times q}`\ ， 偏置为\ :math:`\mathbf{b} \in \mathbb{R}^{1\times q}`\ 。 softmax回归的矢量计算表达式为： .. math:: \begin{aligned} \mathbf{O} &= \mathbf{X} \mathbf{W} + \mathbf{b}, \\ \hat{\mathbf{Y}} & = \mathrm{softmax}(\mathbf{O}). \end{aligned} :label: eq_minibatch_softmax_reg 相对于一次处理一个样本， 小批量样本的矢量化加快了\ :math:`\mathbf{X}和\mathbf{W}`\ 的矩阵-向量乘法。 由于\ :math:`\mathbf{X}`\ 中的每一行代表一个数据样本， 那么softmax运算可以\ *按行*\ （rowwise）执行： 对于\ :math:`\mathbf{O}`\ 的每一行，我们先对所有项进行幂运算，然后通过求和对它们进行标准化。 在 :eq:`eq_minibatch_softmax_reg`\ 中， :math:`\mathbf{X} \mathbf{W} + \mathbf{b}`\ 的求和会使用广播机制， 小批量的未规范化预测\ :math:`\mathbf{O}`\ 和输出概率\ :math:`\hat{\mathbf{Y}}` 都是形状为\ :math:`n \times q`\ 的矩阵。 损失函数 -------- 接下来，我们需要一个损失函数来度量预测的效果。 我们将使用最大似然估计，这与在线性回归 （ :numref:`subsec_normal_distribution_and_squared_loss`\ ） 中的方法相同。 对数似然 ~~~~~~~~ softmax函数给出了一个向量\ :math:`\hat{\mathbf{y}}`\ ， 我们可以将其视为“对给定任意输入\ :math:`\mathbf{x}`\ 的每个类的条件概率”。 例如，\ :math:`\hat{y}_1`\ =\ :math:`P(y=\text{猫} \mid \mathbf{x})`\ 。 假设整个数据集\ :math:`\{\mathbf{X}, \mathbf{Y}\}`\ 具有\ :math:`n`\ 个样本， 其中索引\ :math:`i`\ 的样本由特征向量\ :math:`\mathbf{x}^{(i)}`\ 和独热标签向量\ :math:`\mathbf{y}^{(i)}`\ 组成。 我们可以将估计值与实际值进行比较： .. math:: P(\mathbf{Y} \mid \mathbf{X}) = \prod_{i=1}^n P(\mathbf{y}^{(i)} \mid \mathbf{x}^{(i)}). 根据最大似然估计，我们最大化\ :math:`P(\mathbf{Y} \mid \mathbf{X})`\ ，相当于最小化负对数似然： .. math:: -\log P(\mathbf{Y} \mid \mathbf{X}) = \sum_{i=1}^n -\log P(\mathbf{y}^{(i)} \mid \mathbf{x}^{(i)}) = \sum_{i=1}^n l(\mathbf{y}^{(i)}, \hat{\mathbf{y}}^{(i)}), 其中，对于任何标签\ :math:`\mathbf{y}`\ 和模型预测\ :math:`\hat{\mathbf{y}}`\ ，损失函数为： .. math:: l(\mathbf{y}, \hat{\mathbf{y}}) = - \sum_{j=1}^q y_j \log \hat{y}_j. :label: eq_l_cross_entropy 在本节稍后的内容会讲到， :eq:`eq_l_cross_entropy`\ 中的损失函数 通常被称为\ *交叉熵损失*\ （cross-entropy loss）。 由于\ :math:`\mathbf{y}`\ 是一个长度为\ :math:`q`\ 的独热编码向量， 所以除了一个项以外的所有项\ :math:`j`\ 都消失了。 由于所有\ :math:`\hat{y}_j`\ 都是预测的概率，所以它们的对数永远不会大于\ :math:`0`\ 。 因此，如果正确地预测实际标签，即如果实际标签\ :math:`P(\mathbf{y} \mid \mathbf{x})=1`\ ， 则损失函数不能进一步最小化。 注意，这往往是不可能的。 例如，数据集中可能存在标签噪声（比如某些样本可能被误标）， 或输入特征没有足够的信息来完美地对每一个样本分类。 .. _subsec_softmax_and_derivatives: softmax及其导数 ~~~~~~~~~~~~~~~ 由于softmax和相关的损失函数很常见， 因此我们需要更好地理解它的计算方式。 将 :eq:`eq_softmax_y_and_o`\ 代入损失 :eq:`eq_l_cross_entropy`\ 中。 利用softmax的定义，我们得到： .. math:: \begin{aligned} l(\mathbf{y}, \hat{\mathbf{y}}) &= - \sum_{j=1}^q y_j \log \frac{\exp(o_j)}{\sum_{k=1}^q \exp(o_k)} \\ &= \sum_{j=1}^q y_j \log \sum_{k=1}^q \exp(o_k) - \sum_{j=1}^q y_j o_j\\ &= \log \sum_{k=1}^q \exp(o_k) - \sum_{j=1}^q y_j o_j. \end{aligned} 考虑相对于任何未规范化的预测\ :math:`o_j`\ 的导数，我们得到： .. math:: \partial_{o_j} l(\mathbf{y}, \hat{\mathbf{y}}) = \frac{\exp(o_j)}{\sum_{k=1}^q \exp(o_k)} - y_j = \mathrm{softmax}(\mathbf{o})_j - y_j. 换句话说，导数是我们softmax模型分配的概率与实际发生的情况（由独热标签向量表示）之间的差异。 从这个意义上讲，这与我们在回归中看到的非常相似， 其中梯度是观测值\ :math:`y`\ 和估计值\ :math:`\hat{y}`\ 之间的差异。 这不是巧合，在任何指数族分布模型中 （参见\ `本书附录中关于数学分布的一节 `__\ ）， 对数似然的梯度正是由此得出的。 这使梯度计算在实践中变得容易很多。 交叉熵损失 ~~~~~~~~~~ 现在让我们考虑整个结果分布的情况，即观察到的不仅仅是一个结果。 对于标签\ :math:`\mathbf{y}`\ ，我们可以使用与以前相同的表示形式。 唯一的区别是，我们现在用一个概率向量表示，如\ :math:`(0.1, 0.2, 0.7)`\ ， 而不是仅包含二元项的向量\ :math:`(0, 0, 1)`\ 。 我们使用 :eq:`eq_l_cross_entropy`\ 来定义损失\ :math:`l`\ ， 它是所有标签分布的预期损失值。 此损失称为\ *交叉熵损失*\ （cross-entropy loss），它是分类问题最常用的损失之一。 本节我们将通过介绍信息论基础来理解交叉熵损失。 如果想了解更多信息论的细节，请进一步参考 `本书附录中关于信息论的一节 `__\ 。 .. _subsec_info_theory_basics: 信息论基础 ---------- *信息论*\ （information theory）涉及编码、解码、发送以及尽可能简洁地处理信息或数据。 熵 ~~ 信息论的核心思想是量化数据中的信息内容。 在信息论中，该数值被称为分布\ :math:`P`\ 的\ *熵*\ （entropy）。可以通过以下方程得到： .. math:: H[P] = \sum_j - P(j) \log P(j). :label: eq_softmax_reg_entropy 信息论的基本定理之一指出，为了对从分布\ :math:`p`\ 中随机抽取的数据进行编码， 我们至少需要\ :math:`H[P]`\ “纳特（nat）”对其进行编码。 “纳特”相当于\ *比特*\ （bit），但是对数底为\ :math:`e`\ 而不是2。因此，一个纳特是\ :math:`\frac{1}{\log(2)} \approx 1.44`\ 比特。 信息量 ~~~~~~ 压缩与预测有什么关系呢？ 想象一下，我们有一个要压缩的数据流。 如果我们很容易预测下一个数据，那么这个数据就很容易压缩。 为什么呢？ 举一个极端的例子，假如数据流中的每个数据完全相同，这会是一个非常无聊的数据流。 由于它们总是相同的，我们总是知道下一个数据是什么。 所以，为了传递数据流的内容，我们不必传输任何信息。也就是说，“下一个数据是xx”这个事件毫无信息量。 但是，如果我们不能完全预测每一个事件，那么我们有时可能会感到“惊异”。 克劳德·香农决定用信息量\ :math:`\log \frac{1}{P(j)} = -\log P(j)`\ 来量化这种惊异程度。 在观察一个事件\ :math:`j`\ 时，并赋予它（主观）概率\ :math:`P(j)`\ 。 当我们赋予一个事件较低的概率时，我们的惊异会更大，该事件的信息量也就更大。 在 :eq:`eq_softmax_reg_entropy`\ 中定义的熵， 是当分配的概率真正匹配数据生成过程时的\ *信息量的期望*\ 。 重新审视交叉熵 ~~~~~~~~~~~~~~ 如果把熵\ :math:`H(P)`\ 想象为“知道真实概率的人所经历的惊异程度”，那么什么是交叉熵？ 交叉熵\ *从*\ :math:`P`\ *到*\ :math:`Q`\ ，记为\ :math:`H(P, Q)`\ 。 我们可以把交叉熵想象为“主观概率为\ :math:`Q`\ 的观察者在看到根据概率\ :math:`P`\ 生成的数据时的预期惊异”。 当\ :math:`P=Q`\ 时，交叉熵达到最低。 在这种情况下，从\ :math:`P`\ 到\ :math:`Q`\ 的交叉熵是\ :math:`H(P, P)= H(P)`\ 。 简而言之，我们可以从两方面来考虑交叉熵分类目标： （i）最大化观测数据的似然；（ii）最小化传达标签所需的惊异。 模型预测和评估 -------------- 在训练softmax回归模型后，给出任何样本特征，我们可以预测每个输出类别的概率。 通常我们使用预测概率最高的类别作为输出类别。 如果预测与实际类别（标签）一致，则预测是正确的。 在接下来的实验中，我们将使用\ *精度*\ （accuracy）来评估模型的性能。 精度等于正确预测数与预测总数之间的比率。 小结 ---- - softmax运算获取一个向量并将其映射为概率。 - softmax回归适用于分类问题，它使用了softmax运算中输出类别的概率分布。 - 交叉熵是一个衡量两个概率分布之间差异的很好的度量，它测量给定模型编码数据所需的比特数。 练习 ---- 1. 我们可以更深入地探讨指数族与softmax之间的联系。 1. 计算softmax交叉熵损失\ :math:`l(\mathbf{y},\hat{\mathbf{y}})`\ 的二阶导数。 2. 计算\ :math:`\mathrm{softmax}(\mathbf{o})`\ 给出的分布方差，并与上面计算的二阶导数匹配。 2. 假设我们有三个类发生的概率相等，即概率向量是\ :math:`(\frac{1}{3}, \frac{1}{3}, \frac{1}{3})`\ 。 1. 如果我们尝试为它设计二进制代码，有什么问题？ 2. 请设计一个更好的代码。提示：如果我们尝试编码两个独立的观察结果会发生什么？如果我们联合编码\ :math:`n`\ 个观测值怎么办？ 3. softmax是对上面介绍的映射的误称（虽然深度学习领域中很多人都使用这个名字）。真正的softmax被定义为\ :math:`\mathrm{RealSoftMax}(a, b) = \log (\exp(a) + \exp(b))`\ 。 1. 证明\ :math:`\mathrm{RealSoftMax}(a, b) > \mathrm{max}(a, b)`\ 。 2. 证明\ :math:`\lambda^{-1} \mathrm{RealSoftMax}(\lambda a, \lambda b) > \mathrm{max}(a, b)`\ 成立，前提是\ :math:`\lambda > 0`\ 。 3. 证明对于\ :math:`\lambda \to \infty`\ ，有\ :math:`\lambda^{-1} \mathrm{RealSoftMax}(\lambda a, \lambda b) \to \mathrm{max}(a, b)`\ 。 4. soft-min会是什么样子？ 5. 将其扩展到两个以上的数字。 `Discussions `__