python编写softmax函数、交叉熵函数实例

python代码如下：

import numpy as np

# Write a function that takes as input a list of numbers, and returns
# the list of values given by the softmax function.
def softmax(L):
pass
expL = np.exp(L)
sumExpL = sum(expL)
result = []
for i in expL:
 result.append(i*1.0/sumExpL)
return result

python编写交叉熵公式：

import numpy as np

def cross_entropy(Y, P):
Y = np.float_(Y)
P = np.float_(P)
return -np.sum(Y * np.log(P) + (1 - Y) * np.log(1 - P))

补充知识：分类时，为什么不使用均方误差而是使用交叉熵作为损失函数

MSE（均方误差）对于每一个输出的结果都非常看重，而交叉熵只对正确分类的结果看重。

例如：在一个三分类模型中，模型的输出结果为（a,b,c)，而真实的输出结果为(1,0,0)，那么MSE与cross-entropy相对应的损失函数的值如下：

MSE：

cross-entropy：

从上述的公式可以看出，交叉熵的损失函数只和分类正确的预测结果有关系，而MSE的损失函数还和错误的分类有关系，该分类函数除了让正确的分类尽量变大，还会让错误的分类变得平均，但实际在分类问题中这个调整是没有必要的。

但是对于回归问题来说，这样的考虑就显得很重要了。所以，回归问题熵使用交叉上并不合适。

来源：https://blog.csdn.net/shichunxue/article/details/89350704