Softmax scipy

Python es el lenguaje de programación más versátil y bien reconocido de todos los demás lenguajes de programación existentes. Python es más querido por los programadores aficionados porque Python tiene un script relativamente simple que se parece más al idioma inglés. Además, este lenguaje se considera portátil y un lenguaje informático multiplataforma ya que Python no requiere ninguna dependencia de sistemas operativos específicos para que su intérprete funcione correctamente.

Scipy es un paquete que incluye una extensa lista de lenguajes de programación de Python. Este paquete se utiliza para construir y entrenar redes neuronales artificiales y modelos de aprendizaje profundo. También permite los cálculos matemáticos para los programas. Scipy "Softmax" representa una función que se utiliza para la matriz nd en los programas para aplicar la transformación Softmax en las filas de la matriz nd y calcular la suma a lo largo de las filas de la matriz.

Para comprender el softmax, podemos suponer que la función Softmax puede transformar las filas o cada elemento en la matriz nd y puede calcular el exponencial del elemento individual tomando su división con la suma de los exponenciales de todos los elementos en las filas /columnas. Es una función matemática, y es responsable de convertir un vector que esté en número en un vector que está en probabilidades. Esta probabilidad de cada elemento es proporcional a la escala/rango de cada uno de los valores del elemento en ese vector y es dada por la ecuación de la siguiente manera:

$ softmax (x) = np. exp (x)/ suma (NP. exp (x))

Softmax es una función de activación, y generaliza o se aproxima al conjunto de valores en algún umbral. Si el valor es menor que el umbral, tendrá una importancia diferente que el valor igual o mayor que el umbral que cae en la categoría diferente. En las redes neuronales artificiales, la función de activación decide qué neurona se dispara o se activa para caer en la salida.

Procedimiento:

En el artículo, implementaremos la función de activación de Softmax desde el SciPY. Exploraremos cómo funciona esta función y qué beneficio puede dar en el programa. También aprenderemos sobre la sintaxis de esta función y realizaremos dos ejemplos para obtener buenas prácticas en la función.

Sintaxis:

$ Scipy. es especial.Softmax (x, eje = ninguno)

Los parámetros del softmax son la "x" y el "eje" donde "x" define la matriz o el conjunto de datos en el que aplicamos la activación de Softmax y el "eje" es el eje a lo largo del cual calculamos esta función Softmax. Su valor predeterminado es igual a ninguno.

Valor de retorno:

Dado que las funciones convierten el valor de cada elemento en la matriz en su probabilidad, el valor de retorno de esta función es un valor único y es "1", ya que toma la suma máxima y de aproximación de todos los valores exponenciales en las filas.

Ejemplo:

Usemos la función Softmax en una matriz y examinemos la salida si es exactamente la forma en que afirmamos en la descripción de la función. Navegue a la "colaboración de Google". Esta es una plataforma Python en línea y proporciona paquetes preinstalados con asignación de GPU para ahorrar tiempo y almacenamiento del sistema. Para trabajar con Google Collab, creamos un nuevo cuaderno y lo guardamos en Google Drive. Para comenzar con el ejemplo, importemos algunos paquetes necesarios del paquete preinstalado de Python para cargar los módulos relevantes que permiten el funcionamiento de la función "Softmax ()".

Dos de las bibliotecas más importantes se incluyen en el programa, el "Numpy" y "Scipy. bibliotecas especiales ”. Importamos Numpy como el "NP". El scipy.Especial se importa como el "Softmax". Este softmax ahora se agrega a nuestro programa. Ahora podemos usarlo y hacer que nuestro programa se ejecute sin esfuerzo. Ahora, creamos una matriz ND para que podamos aplicar la función de activación de Softmax. Pero antes de eso, hacemos otro paso y es preestablecer los valores de flotación en nuestra matriz que se muestran a qué precisión o hasta qué número de lugares después del decimal. Esto se hace escribiendo el comando como "np.set_printOptions (precision = 4) "en el programa. La función set_printóptions hace esta precisión. Aquí, la precisión igual a "4" significa que los valores se imprimen en cuatro decimales.

Con este paso, ahora declaramos una variable llamada "Array". Asignamos una matriz tridimensional a esta variable. Para crear la matriz tridimensional, llamamos al "NP. Método Array ([]) "como" NP. Array ([[1, 0.5, 0.2, 3], [1, -1, 7, 3], [2, 12, 13, 3]]) ". Esta es la matriz tridimensional ya que esta matriz tiene tres columnas y tres filas en ella. Esta matriz en el ejemplo representa el conjunto de datos ya que el conjunto de datos también es una matriz multidimensional. Aplicamos la función Softmax en esta matriz como "Softmax (matriz)" y guardamos los resultados de esta función en otra variable "resultado". O imprimimos directamente los resultados con la ayuda de la función "print ()". El código para este programa se muestra en el siguiente fragmento adjunto:

De Scipy.Importación Softmax especial
importar numpy como np
notario público.SET_PRINTOPTIONS (Precision = 4)
matriz = np.Array ([1, 2, 8, 3],
[1, -1, 2, 3],
[2, 11, 14, 3]])
Result = Softmax (Array)
Imprimir (resultado)
resultado.suma()

Observe de la salida que la función convirtió el valor en la fila que estaba en número en los valores exponenciales exactamente como discutimos anteriormente en la introducción de este tema. Ahora, para verificar otro punto de que esta función toma la suma de estos valores y devuelve el valor igual a "1", pasamos los resultados de la función Softmax a la función de suma como "resultado.sum () "y mostrar los resultados. El código para esta explicación se da en la siguiente salida:

La salida devuelve el valor "1" después de calcular la suma, lo que significa que el segundo punto también está verificado.

Conclusión

El artículo pone la función "Softmax" del Scipy en el centro de atención. El artículo ofrece una visión más profunda del concepto de la función Softmax de activación y por qué la requerimos en nuestros modelos. Luego, demuestra el método para aplicar la función Softmax en la matriz nd para verificar los resultados que se discutieron en la explicación del tema.