机器学习分为两种，一种是做分类，一种是做回归。softmax函数就是用来做分类的。
softmax 函数定义：
import numpy as np a=np.array([0.3,2.9,4.0]) def softmax(a): c=np.max(a) exp_a=np.exp(a-c) sum_exp_a=np.sum(exp_a) y=exp_a/sum_exp_a return y print(softmax(a)) np.sum(softmax(a))运行结果：
softmax函数的输出是0.0 到1.0 之间的实数，，并且softmax 函数的输出值总和为1 。
y=softmax(x) 函数 想x 和y 的大小关系没有变，例如4.0 对应的概率是0.736…
但是一般而言神经网络 只把输出值最大的神经元所对应的类别作为识别的结果，并且使用softmax 函数，最大值得位置不会变，因此一般省掉 softmax 函数
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/229678.html原文链接：https://javaforall.net
