No classificador softmax, por que usar a função exp para fazer a normalização?

Por que usar o softmax em oposição à normalização padrão? Na área de comentários da resposta principal desta pergunta, @Kilian Batzner levantou duas perguntas que também me confundem bastante. Parece que ninguém dá uma explicação, exceto os benefícios numéricos.

Eu recebo os motivos para usar a Perda entre entropia, mas como isso se relaciona com o softmax? Você disse que "a função softmax pode ser vista como uma tentativa de minimizar a entropia cruzada entre as previsões e a verdade". Suponha que eu usaria a normalização padrão / linear, mas ainda usaria a Perda de entropia cruzada. Então, eu também tentaria minimizar a entropia cruzada. Então, como o softmax está vinculado à Entropia Cruzada, exceto pelos benefícios numéricos?

Quanto à visão probabilística: qual é a motivação para analisar probabilidades de log? O raciocínio parece um pouco com "Usamos e ^ x no softmax, porque interpretamos x como probabilidades logarítmicas". Com o mesmo raciocínio que poderíamos dizer, usamos e ^ e ^ e ^ x no softmax, porque interpretamos x como probabilidades log-log-log-probabilidades (Exagerando aqui, é claro). Recebo os benefícios numéricos do softmax, mas qual é a motivação teórica para usá-lo?

machine-learning deep-learning Hans
fonte

É diferenciável, leva a resultados não negativos (como seria necessário para uma probabilidade para que a entropia cruzada possa ser calculada) e se comporta como a função max, que é apropriada em uma configuração de classificação. Bem vindo ao site!

Emre

@Emre Thanks! Mas o que significa "se comporta como função máxima"? Além disso, se eu tiver outra função que também seja diferenciável, monótona aumente e leve a resultados não negativos, posso usá-la para substituir a função exp na fórmula?

Hans

Quando você normaliza usando , o maior argumento é mapeado para 1 enquanto o restante é mapeado para zero, devido ao crescimento da função exponencial.

max

$\max$

Emre

Respostas:

É mais do que apenas numérico. Um lembrete rápido do softmax:

P (y = j | x) = \frac{e^{x_{j}}}{\sum_{k = 1}^{K} e^{x_{k}}}

$P(y=j | x) = \frac{e^{x_j}}{\sum_{k=1}^K e^{x_k}}$

Onde é um vector de entrada com comprimento igual ao número de classes . A função softmax possui 3 propriedades muito agradáveis: 1. normaliza seus dados (gera uma distribuição de probabilidade adequada), 2. é diferenciável e 3. usa o exp que você mencionou. Alguns pontos importantes: $x$ $K$

A função de perda não está diretamente relacionada ao softmax. Você pode usar a normalização padrão e ainda usar entropia cruzada.
Uma função "hardmax" (ou seja, argmax) não é diferenciável. O softmax fornece pelo menos uma quantidade mínima de probabilidade para todos os elementos no vetor de saída e, portanto, é bem diferenciável, daí o termo "soft" no softmax.
Agora eu chego à sua pergunta. O no softmax é a função exponencial natural. Antes de normalizar, transformamos como no gráfico de : $e$ $x$ $e^x$

Se é 0, então , se é 1, então e se é 2, agora ! Um grande passo! Isso é chamado de transformação não linear de nossas pontuações de log não normalizadas. A propriedade interessante da função exponencial combinada com a normalização no softmax é que altas pontuações em se tornam muito mais prováveis que pontuações baixas. $x$ $y=1$ $x$ $y=2.7$ $x$ $y=7$ $x$

Um exemplo . Diga e sua pontuação é o vetor . A função argmax simples gera: $K=4$ $x$ $[2, 4, 2, 1]$

[0 0, 1, 0 0, 0 0]

$[0, 1, 0, 0]$

O argmax é o objetivo, mas não é diferenciável e não podemos treinar nosso modelo com ele :( Uma normalização simples, diferenciável, gera as seguintes probabilidades:

[0,2222, 0,4444, 0,2222, 0.1111]

$[0.2222, 0.4444, 0.2222, 0.1111]$

Isso é muito longe do argmax! :( Considerando que o softmax produz:

[0,1025, 0,7573, 0,1025, 0,0377]

$[0.1025, 0.7573, 0.1025, 0.0377]$

Isso é muito mais próximo do argmax! Como usamos o exponencial natural, aumentamos enormemente a probabilidade da maior pontuação e diminuímos a probabilidade das pontuações mais baixas quando comparadas à normalização padrão. Daí o "max" no softmax.

vega
fonte

Ótima informação. No entanto, em vez de usar e, que tal usar uma constante, dizer 3 ou 4? O resultado será o mesmo?

Cheok Yan Cheng

@CheokYanCheng, sim. Mas etem um derivado mais agradável;)

vega

Vi que o resultado do softmax é normalmente usado como probabilidade de pertencer a cada classe. Se a escolha de 'e' em vez de outra constante é arbitrária, não faz sentido vê-la em termos de probabilidade, certo?

javierdvalle

@ vega Desculpe, mas ainda não vejo como isso responde à pergunta: por que não usar e ^ e ^ e ^ e ^ e ^ x pelas mesmas razões? Por favor, explique

Gulzar

@jvalle não é eque torna mais interpretáveis como uma probabilidade, é o facto de cada elemento da saída softmax é delimitada em [0,1] e os inteiros somas para 1.

vega

Além da explicação de vega,

vamos definir softmax genérico: que é uma constante> = 1

P (y = j | x) = \frac{ψ^{x_{j}}}{\sum_{k = 1}^{K} ψ^{x_{k}}}

$P(y=j | x) = \frac{\psi^{x_j}}{\sum_{k=1}^K \psi^{x_k}}$

ψ

$\psi$

se , você está bem longe do argmax como o @vega mencionado. $\psi=1$

Vamos agora assumir , agora você está bem próximo do argmax, mas também possui números muito pequenos para valores negativos e números grandes para positivos. Esses números ultrapassam o limite aritmético do ponto de flutuação facilmente (por exemplo, o limite máximo de numpy float64 é ). Além disso, mesmo que a seleção seja muito menor que , as estruturas devem implementar uma versão mais estável do softmax (multiplicando numerador e denominador pela constante ), pois os resultados se tornam pequenos demais para poder expressar com tanta precisão. $\psi=100$ $10^{308}$ $\psi=e$ $100$ $C$

Portanto, você deseja escolher uma constante grande o suficiente para aproximar bem o argmax e também pequena o suficiente para expressar esses números grandes e pequenos nos cálculos.

E, claro, também tem um derivado bastante bom. $e$

komunistbakkal
fonte

Esta questão é muito interessante. Não sei o motivo exato, mas acho que o seguinte motivo pode ser usado para explicar o uso da função exponencial. Este post é inspirado na mecânica estatística e no princípio da entropia máxima.

Vou explicar isso usando um exemplo com imagens, que são constituídas por imagens da classe , imagens da classe , ... e imagens da classe . Então assumimos que nossa rede neural foi capaz de aplicar uma transformação não linear em nossas imagens, de modo que podemos atribuir um 'nível de energia' a todas as classes. Assumimos que essa energia esteja em uma escala não linear que nos permita separar linearmente as imagens. $N$ $n_1$ $\mathcal{C}_1$ $n_2$ $\mathcal{C}_2$ $n_K$ $\mathcal{C}_K$ $E_k$

A energia média está relacionada às outras energias pelo seguinte relacionamento $\bar{E}$ $E_k$

N \bar{E} = \sum_{k = 1}^{K} n_{k} E_{k} . (*)

$\begin{equation} N\bar{E} = \sum_{k=1}^{K} n_k E_k.\qquad (*) \label{eq:mean_energy} \end{equation}$

Ao mesmo tempo, vemos que a quantidade total de imagens pode ser calculada como a seguinte soma

N = \sum_{k = 1}^{K} n_{k} . (* *)

$\begin{equation} N = \sum_{k=1}^{K}n_k.\qquad (**) \label{eq:conservation_of_particles} \end{equation}$

A idéia principal do princípio da entropia máxima é que o número de imagens nas classes correspondentes seja distribuído de tal forma que o número de combinações possíveis para uma dada distribuição de energia seja maximizado. Em outras palavras, o sistema provavelmente não entrará em um estado em que apenas temos a classe mas também não entrará em um estado em que tenhamos o mesmo número de imagens em cada classe. Mas por que isso é assim? Se todas as imagens estivessem em uma classe, o sistema teria entropia muito baixa. O segundo caso também seria uma situação não natural. É mais provável que tenhamos mais imagens com energia moderada e menos imagens com energia muito alta e muito baixa. $n_1$

A entropia aumenta com o número de combinações nas quais podemos dividir as imagens nas classes de imagens , , ..., com a energia correspondente. Esse número de combinações é dado pelo coeficiente multinomial $N$ $n_1$ $n_2$ $n_K$

(\begin{matrix} N! \\ n_{1}!, n_{2}!, \dots, n_{K}! \end{matrix}) = \frac{N!}{\prod_{k = 1}^{K} n_{k}!} .

$\begin{equation} \begin{pmatrix} N!\\ n_1!,n_2!,\ldots,n_K!\\ \end{pmatrix}=\dfrac{N!}{\prod_{k=1}^K n_k!}. \end{equation}$

Vamos tentar maximizar esse número assumindo que temos infinitas imagens . Mas sua maximização também tem restrições de igualdade e . Esse tipo de otimização é chamado de otimização restrita. Podemos resolver esse problema analiticamente usando o método dos multiplicadores de Lagrange. Introduzimos os multiplicadores Lagrange e para as restrições de igualdade e introduzimos o Lagrange Funktion . $N\to \infty$ $(*)$ $(**)$ $\beta$ $\alpha$ $\mathcal{L}\left(n_1,n_2,\ldots,n_k;\alpha, \beta \right)$

L (n_{1}, n_{2}, \dots, n_{k}; α, β) = \frac{N!}{\prod_{k = 1}^{K} n_{k}!} + β [\sum_{k = 1}^{K} n_{k} E_{k} - N \bar{E}] + α [N - \sum_{k = 1}^{K} n_{k}]

$\begin{equation} \mathcal{L}\left(n_1,n_2,\ldots,n_k;\alpha, \beta \right) = \dfrac{N!}{\prod_{k=1}^{K}n_k!}+\beta\left[\sum_{k=1}^Kn_k E_k - N\bar{E}\right]+\alpha\left[N-\sum_{k=1}^{K} n_k\right] \end{equation}$

Como assumimos , também podemos assumir e usar a aproximação de Stirling para o fatorial $N\to \infty$ $n_k \to \infty$

\ln n! = n \ln n - n + O (\ln n) .

$\begin{equation} \ln n! = n\ln n - n + \mathcal{O}(\ln n). \end{equation}$

Observe que essa aproximação (os dois primeiros termos) é apenas assintótica, não significa que essa aproximação irá convergir parapara . $\ln n!$ $n\to \infty$

O derivado parcial da função de Lagrange com respeito resultará em $n_\tilde{k}$

\frac{\partial L}{\partial n_{\tilde{k}}} = - \ln n_{\tilde{k}} - 1 - α + β E_{\tilde{k}} .

$\dfrac{\partial \mathcal{L}}{\partial n_\tilde{k}}=-\ln n_\tilde{k}-1-\alpha+\beta E_\tilde{k}.$

Se definirmos essa derivada parcial como zero, podemos encontrar

n_{\tilde{k}} = \frac{\exp (β E_{\tilde{k}})}{\exp (1 + α)} . (* * *)

$n_\tilde{k}=\dfrac{\exp(\beta E_\tilde{k})}{\exp(1+\alpha)}. \qquad (***)$

Se colocarmos isso de volta em , podemos obter $(**)$

\exp (1 + α) = \frac{1}{N} \sum_{k = 1}^{K} \exp (β E_{k}) .

$\exp(1+\alpha)=\dfrac{1}{N}\sum_{k=1}^K\exp(\beta E_k).$

Se colocarmos isso de volta em , obtemos algo que deve nos lembrar da função softmax $(***)$

n_{\tilde{k}} = \frac{\exp (β E_{\tilde{k}})}{\frac{1}{N} \sum_{k = 1}^{K} \exp (β E_{k})} .

$n_\tilde{k}=\dfrac{\exp(\beta E_\tilde{k})}{\dfrac{1}{N}\sum_{k=1}^K\exp(\beta E_k)}.$

Se definirmos como a probabilidade da classe por , obteremos algo que é realmente semelhante à função softmax $n_\tilde{k}/N$ $\mathcal{C}_\tilde{k}$ $p_\tilde{k}$

p_{\tilde{k}} = \frac{\exp (β E_{\tilde{k}})}{\sum_{k = 1}^{K} \exp (β E_{k})} .

$p_\tilde{k}=\dfrac{\exp(\beta E_\tilde{k})}{\sum_{k=1}^K\exp(\beta E_k)}.$

Portanto, isso nos mostra que a função softmax é a função que maximiza a entropia na distribuição das imagens. A partir deste ponto, faz sentido usá-lo como a distribuição de imagens. Se , obteremos exatamente a definição da função softmax para a saída . $\beta E_\tilde{k}=\boldsymbol{w}^T_k\boldsymbol{x}$ $k^{\text{th}}$

MachineLearner
fonte