Softmax для получения вероятностей
Преобразуйте исходные оценки в распределение по классам
«Softmax для получения вероятностей» — бесплатный урок Deep Learning Academy на CoddyKit. Это урок 4 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Deep Learning Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Deep Learning Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
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. 🏁
Часто задаваемые вопросы
Урок «Softmax для получения вероятностей» бесплатный?
Да — полный текст урока «Softmax для получения вероятностей» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Deep Learning Academy, подпишись на CoddyKit PRO. Курс Deep Learning Academy содержит 4 уроков всего.
Чему я научусь в уроке «Softmax для получения вероятностей»?
Преобразуйте исходные оценки в распределение по классам Ты практикуешь Deep Learning Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Deep Learning Academy?
Предыдущий опыт не требуется. Deep Learning Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 4 из 4.
Сколько времени занимает урок «Softmax для получения вероятностей»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Deep Learning Academy?
Да. Каждый урок Deep Learning Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Почему нелинейность раскрывает настоящую мощь
- ReLU и её варианты Leaky и GELU
- Sigmoid и Tanh: сжатие в диапазон
- Softmax для получения вероятностей