مثال تابع (هوش مصنوعی با پایتون): def softmax(z):
مثال 2 از درس جلسهی 44 آموزش هوش مصنوعی برای نوجوانان با پایتون: شبکهی چندلایه با numpy ۲
softmax دو قدم دارد: ۱) از هر امتیاز np.exp بگیر تا همه مثبت شوند (و بزرگترها خیلی بزرگتر). ۲) هر کدام را بر جمع همه تقسیم کن تا جمعشان ۱ شود، مثل تبدیل رأیهای انتخابات کلاس به درصد. یک ترفند مهم: np.exp(1000) بینهایت (inf) میشود و همهچیز خراب میشود. اگر اول بیشینه را از همه کم کنیم، جواب هیچ فرقی نمیکند (درصدها همان میمانند، مثل اینکه به همه ۵ نمره کمتر بدهی و رتبهها عوض نشود) ولی دیگر عدد غولپیکر نداریم.
import numpy as np
def softmax(z):
e = np.exp(z - z.max())
return e / e.sum()
print(np.round(softmax(np.array([2.0, 1.0, 0.1])), 3)) # [0.659 0.242 0.099]
print(np.round(softmax(np.array([1000.0, 999.0, 998.0])), 3)) # [0.665 0.245 0.09 ] no inf!
این کد را همینجا در ویرایشگر پایتون اجرا کن، عددها و متنهایش را عوض کن و دوباره اجرا کن تا ببینی چه تغییری میکند.
بیشتر بخوان: تابع در پایتون: آموزش def، پارامتر و return با مثال
برگشت به درس جلسهی 44: شبکهی چندلایه با numpy ۲ · مثال بعدی → · چالشهای این جلسه