解决sigmoid/softmax指数运算溢出问题及python实现

sigmoid/softmax指数运算溢出问题

sigmoid和softmax函数在计算中，都会用到指数运算$e^{-x}$或$e^x$,如果在$e^{-x}$中$x$是一个很小的负数，如-128等，或者在$e^{-}$中$x$是一个很大的正数，如128等，这时有溢出的风险。
而sigmoid和softmax的结果是一个在0~1之间的值，所以可以看到这种溢出只是一种中间过程，对于结果来说并不会有溢出，来看下如何去解决这个问题

解决$sigmoid$函数溢出问题

1.如果$x>0$则$y=\frac{1}{1+e^{-x}}$

2.如果$x<0$则$y=\frac{e^x}{1+e^x}$
python代码如下：

import numpy as np
def sigmoid(x):
    if x >= 0:
        return 1 / (1 + np.exp(-x))
    else:
        return np.exp(x) / (1 + np.exp(x))

解决LR模型中计算cross entropy溢出问题

1.label记为$y$
2. 记$z=\frac{1}{1+e^{-x}}$

$crossentropy=y\ast -log(sigmoid(z))+(1-y)\ast -log(1-sigmoid(z))$
$=y\ast -log(\frac{1}{1+e^{-x}})+(1-y)\ast -log(1-\frac{1}{1+e^{-x}})$
$=y\ast log(1+e^{-x})+(1-y)\ast (-log(e^{-x})+log(1+e^{-x}))$
$=y\ast log(1+e^{-x})+(1-y)\ast (x+log(1+e^{-x}))$
$=(1-y)\ast x+log(1+e^{-x})$
$=x-x\ast y+log(1+e^{-x})$
对于$x<0$有溢出风险时，变换$x$为$log(e^x)$
则上式可以变换为：
$=x-x\ast y+log(1+e^{-x})$
$=log(e^x)-x\ast y+log(1+e^{-x})$
$=-x\ast y+log(1+e^x)$
综合起来，对于$crossentropy=max(x,0)-x\ast y+log(1+e^{-|x|})$
python代码如下：

import numpy as np
def cross_entropy(y, x):
    if x >= 0:
        return (1-y) * x + np.log(1 + np.exp(-x))
    else:
        return (-x) * y + np.log(1 + np.exp(x)) 

解决$softmax$函数溢出问题

在多元分类问题中，经常会用到$softmax$函数
$softmax$函数形式如下：
$$y=\frac{e^{x_i}}{{\sum }_{i=1}^n{e}^{x_i}}$$
a.取所有$x_i$中的最大值M，则计算$(x_1,x_2,x_3,......,x_n)$这组数的softmax等同于计算$(x_1-M,x_2-M,x_3-M,......,x_n-M)$这一组数据的softmax，非常容易推导的，分子分母同时除以$e^M$即可
b.所以这样softmax改成计算$y=\frac{e^{x_i-M}}{{\sum }_{i=1}^n{e}^{x_i-M}}$,就解决了上溢出的问题，因为中间项都是小于等于1的值
python代码

import numpy as np
def softmax(X, k):
    if k >= len(X):
        return -1
    else:
        X = np.array(X)
        # 获得X中的最大值
        val_max = max(X)
        sum_X = 0
        for i in range(len(X)):
            sum_X += np.exp(X[i] - val_max)
        return np.exp(X[k] - val_max) / sum_X

参考

https://blog.csdn.net/haolexiao/article/details/107384486https://blog.csdn.net/haolexiao/article/details/107384486