Softmax 的导数输出非常大的形状

Question

我正在创建一个基本的，也是我的第一个手写数字识别神经网络，没有任何框架（如 Tensorflow、PyTorch...），使用 反向传播算法。

我的神经网络有 784 个输入和 10 个输出。所以对于最后一层，我必须使用Softmax。

由于一些内存错误，我现在的图像形状为 (300, 784)，标签形状为 (300, 10) 之后，我计算 分类交叉熵 的损失。现在我们要解决我的问题了。在反向传播中，我需要手动计算激活函数的一阶导数。我是这样做的：

dAl = -(np.divide(Y, Al) - np.divide(1 - Y, 1 - Al))
#Y = test labels
#Al - Activation value from my last layer

然后我的反向传播就可以开始了，所以最后一层是softmax。

def SoftmaxDerivative(dA, Z):
        #Z is an output from np.dot(A_prev, W) + b
              #Where A_prev is an activation value from previous layer
              #W is weight and b is bias
        #dA is the derivative of an activation function value
        x = activation_functions.softmax(dA)
        s = x.reshape(-1,1)
        dZ = np.diagflat(s) - np.dot(s, s.T)
        return dZ

1.这个功能正常吗？

最后，我想计算权重和偏差的导数，所以我使用这个：

dW = (1/m)*np.dot(dZ, A_prev.T)
#m is A_prev.shape[1] -> 10
db = (1/m)*np.sum(dZ, axis = 1, keepdims = True)

但是它在 dW 上失败了，因为 dZ.shape 是 (3000, 3000)（与 A_prev.shape 相比，它是 (300,10)）因此我假设，只有 3 种可能的结果。

我的Softmax backward是错误的
dW错了
我在其他地方完全有一些其他错误

任何帮助将不胜感激！

Answer 1

我最近遇到了同样的问题。我不确定，但也许这个问题会对你有所帮助：Softmax derivative in NumPy approaches 0 (implementation)

Softmax 的导数输出非常大的形状

The derivative of Softmax outputs really large shapes

python-3.x

neural-network

backpropagation

softmax