Softmax untuk Probabilitas
Ubah skor mentah menjadi distribusi kelas
Softmax untuk Probabilitas adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
From Scores to Choices
A classifier's last layer spits out raw scores, one per class. These unbounded numbers are called logits, and they are hard to read directly. 🔢
Enter Softmax
Softmax turns a vector of logits into a clean probability distribution over all your classes. Now each score becomes a chance.
import torch.nn.functional as F
probs = F.softmax(logits, dim=-1)Two Guarantees
Softmax promises two things: every output is between 0 and 1, and all of them sum to one. That is exactly what a distribution needs.
How It Works
Softmax exponentiates each logit, then divides by the total. The exponential makes bigger logits dominate, sharpening the winner.
exp = logits.exp()
probs = exp / exp.sum()Relative, Not Absolute
Softmax cares about the gaps between logits, not their raw size. Adding the same constant to every logit leaves the probabilities unchanged.
Sigmoid vs Softmax
Use sigmoid for one yes-or-no output. Use softmax when classes compete and exactly one of several should win.
Picking the Winner
To get the predicted class, take the argmax of the softmax output. That index is the class with the highest probability.
pred = probs.argmax(dim=-1)Mind the Dimension
Always set the right dim so softmax normalizes across classes, not across the batch. A wrong axis quietly ruins your probabilities.
Skip It While Training
During training you usually do not apply softmax yourself. The cross-entropy loss expects raw logits and applies it internally.
loss = F.cross_entropy(logits, target) # logits, not probsWhy That Is Safer
Combining softmax and the log inside one function is more numerically stable. Doing both steps by hand can overflow or lose precision.
Temperature Tweaks Sharpness
Dividing logits by a temperature before softmax controls confidence. Low values sharpen the peak; high values flatten it out.
Quick Check
Think about what cross-entropy loss expects as its input.
Recap
Softmax converts logits into probabilities that sum to one, perfect for multiclass output. But let cross-entropy handle it during training. 🏁
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Softmax untuk Probabilitas” gratis?
Ya — teks lengkap “Softmax untuk Probabilitas” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Softmax untuk Probabilitas”?
Ubah skor mentah menjadi distribusi kelas Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Softmax untuk Probabilitas” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Mengapa Nonlinearitas Membuka Kekuatan Nyata
- ReLU dan Kerabatnya yang Leaky serta GELU
- Sigmoid dan Tanh: Memampatkan ke Rentang Tertentu
- Softmax untuk Probabilitas