在Python中从头开始计算雅可比矩阵

我试图实现softmax函数（Softmax的雅可比矩阵）的导数矩阵。在Python中从头开始计算雅可比矩阵

我数学知道使用SoftMax（XI）的衍生物相对于X 1是：

其中红色增量是Kronecker符号。

到目前为止，我所实行的是：

def softmax_grad(s): 
    # input s is softmax value of the original input x. Its shape is (1,n) 
    # e.i. s = np.array([0.3,0.7]), x = np.array([0,1]) 

    # make the matrix whose size is n^2. 
    jacobian_m = np.diag(s) 

    for i in range(len(jacobian_m)): 
     for j in range(len(jacobian_m)): 
      if i == j: 
       jacobian_m[i][j] = s[i] * (1-s[i]) 
      else: 
       jacobian_m[i][j] = -s[i]*s[j] 
    return jacobian_m

当我测试：

In [95]: x 
Out[95]: array([1, 2]) 

In [96]: softmax(x) 
Out[96]: array([ 0.26894142, 0.73105858]) 

In [97]: softmax_grad(softmax(x)) 
Out[97]: 
array([[ 0.19661193, -0.19661193], 
     [-0.19661193, 0.19661193]])

你们如何实现雅可比？我想知道是否有更好的方法来做到这一点。任何参考网站/教程也将不胜感激。

来源

2017-08-29 Aaron

您可以如下矢量化softmax_grad;

soft_max = softmax(x) 
 
# reshape softmax to 2d so np.dot gives matrix multiplication 
def softmax_grad(softmax): 
    s = softmax.reshape(-1,1) 
    return np.diagflat(s) - np.dot(s, s.T) 

softmax_grad(soft_max) 

#array([[ 0.19661193, -0.19661193], 
#  [-0.19661193, 0.19661193]])

详细：sigma(j) * delta(ij)是sigma(j)您可以与np.diagflat(s)创建为对角线元素的对角矩阵; sigma(j) * sigma(i)是可以使用np.dot计算的softmax的矩阵乘法（或外积）：

来源

2017-08-29 22:31:13 Psidom

我一直在纠正这一点，这就是我想到的。也许你会发现它很有用。我认为它比Psidom提供的解决方案更加明确。

def softmax_grad(probs): 
    n_elements = probs.shape[0] 
    jacobian = probs[:, np.newaxis] * (np.eye(n_elements) - probs[np.newaxis, :]) 
    return jacobian

来源

2017-09-13 16:49:53 Pavlin

在Python中从头开始计算雅可比矩阵

回答

相关问题