### 可视化 Softmax 函数的实现与绘制 Softmax 函数是一种常用的激活函数，广泛用于多分类任务中。其数学定义如下： $$ \text{Softmax}(x_i) = \frac{e^{x_i}}{\sum_{j} e^{x_j}} $$ 该函数将输入向量归一化为一个概率分布，适用于分类模型的输出层。 #### 使用 `numpy` 实现 Softmax 函数 以下是一个数值稳定的 Softmax 实现方法，通过减去最大值来防止指数溢出： ```python import numpy as np def softmax(x): x = np.array(x) x_max = np.max(x, axis=0, keepdims=True) exp_x = np.exp(x - x_max) sum_exp = np.sum(exp_x, axis=0, keepdims=True) return exp_x / sum_exp ``` 此实现方式支持单维和多维输入，并具有良好的数值稳定性 [^3]。 #### 绘制 Softmax 函数的输出结果 为了可视化 Softmax 的输出效果，可以使用 `matplotlib` 对不同输入向量进行绘图展示： ```python import matplotlib.pyplot as plt # 生成多个测试输入向量 input_vectors = [ [1.0, 2.0, 3.0], [10.0, 2.0, 3.0], [1.0, 1.0, 1.0], [5.0, 1.0, 1.0] ] # 计算每个输入对应的 softmax 输出 softmax_results = [softmax(vec) for vec in input_vectors] # 绘制结果 plt.figure(figsize=(12, 8)) for i, result in enumerate(softmax_results): plt.subplot(2, 2, i + 1) plt.bar(range(len(result)), result, tick_label=[f'Class {j+1}' for j in range(len(result))]) plt.title(f'Input: {input_vectors[i]}') plt.ylabel('Probability') plt.ylim(0, 1) plt.tight_layout() plt.show() ``` 这段代码对多个不同的输入向量计算了 Softmax 值，并以柱状图的形式展示了每个类别的概率分布 [^2]。 #### 结果分析 - 当输入值差距较大时（如 `[10.0, 2.0, 3.0]`），Softmax 会将大部分概率集中在最大输入上。 - 当输入值相等时（如 `[1.0, 1.0, 1.0]`），Softmax 返回均匀分布。 - 输入值经过归一化后，输出总和为 1，符合概率分布的定义 [^4]。 --- ### 小结 Softmax 函数在多分类问题中具有重要作用，尤其在神经网络的最后一层用于输出类别概率。通过 Python 和 `matplotlib` 可视化其输出，有助于理解其作用机制和行为特性。 ---