本文最后更新于:2024年5月7日 下午

在计算机中执行数学运算需要使用有限的比特位来表达实数,这会引入近似误差。近似误差可以在多步数值运算中传递、积累,从而导致理论上成功的算法失败。因此数值算法设计时要考虑将累计误差最小化。

溢出

  • 一种严重的误差是下溢出underflow:当接近零的数字四舍五入为零时,发生下溢出。

    许多函数在参数为零和参数为一个非常小的正数时,行为是不同的。如:对数函数要求自变量大于零,除法中要求除数非零。

  • 一种严重的误差是上溢出overflow:当数值非常大,超过了计算机的表示范围时,发生上溢出。

softmax 溢出

  • 设 $x = {({x_1},{x_2}, \cdots ,{x_n})^T}$,则softmax函数定义为:

$$
\operatorname{softmax}(\overrightarrow{\mathbf{x}})=\left(\frac{\exp \left(x_{1}\right)}{\sum_{j=1}^{n} \exp \left(x_{j}\right)}, \frac{\exp \left(x_{2}\right)}{\sum_{j=1}^{n} \exp \left(x_{j}\right)}, \cdots, \frac{\exp \left(x_{n}\right)}{\sum_{j=1}^{n} \exp \left(x_{j}\right)}\right)^{T}
$$

  • 当所有的 $x_i$ 都等于常数 $c$ 时,softmax函数的每个分量的理论值都为$\frac { 1 } { n }$
    • 考虑 $c$ 是一个非常大的负数(比如趋近负无穷), 此时 $\exp ©$ 下溢出。此时 $\frac{\exp ©}{\sum_{j=1}^{n} \exp ©}$ 分母为零, 结果 未定义。
    • Q考虑 $c$ 是一个非常大的正数(比如趋近正无穷),此时 $\exp ©$ 上溢出。 $\frac{\exp ©}{\sum_{j=1}^{n} \exp ©}$ 的结果未定义。

解决方案

  • 为了解决 softmax 函数的数值稳定性问题, 令 $z=\overrightarrow{x}-\max_{i}x_{i}$, 则有 ${softmax}(\overrightarrow{\mathbf{z}})$ 的第 $i$ 个分量为:
$$ \begin{aligned} \operatorname{softmax}(\overrightarrow{\mathbf{z}})_{i}=& \frac{\exp \left(z_{i}\right)}{\sum_{j=1}^{n} \exp \left(z_{j}\right)}\\ =&\frac{\exp \left(\max _{k} x_{k}\right) \exp \left(z_{i}\right)}{\exp \left(\max _{k} x_{k}\right) \sum_{j=1}^{n} \exp \left(z_{j}\right)} \\ =&\frac{\exp \left(z_{i}+\max _{k} x_{k}\right)}{\sum_{j=1}^{n} \exp \left(z_{j}+\max _{k} x_{k}\right)} \\ =& \frac{\exp \left(x_{i}\right)}{\sum_{j=1}^{n} \exp \left(x_{j}\right)} \\ =&\operatorname{softmax}(\overrightarrow{\mathbf{x}})_{i} \end{aligned} $$
  • 当 $\overrightarrow{\mathbf{x}}$ 的分量较小时, $\overrightarrow{\mathbf{z}}$ 的分量至少有一个为零,从而导致 $\operatorname{softmax}(\overrightarrow{\mathbf{z}})_{i}$ 的分母至少有一项为 1 , 从而解 决了下溢出的问题。
  • 当 $\overrightarrow{\mathbf{x}}$ 的分量较大时, $\operatorname{softmax}(\overrightarrow{\mathbf{z}})_{i}$ 相当于分子分母同时除以一个非常大的数 $\exp \left(\max {i} x{i}\right)$, 从而解决
    了上溢出。

log softmax 溢出风险

  • 当 $\overrightarrow{\mathbf{x}}$ 的分量 $x_{i}$ 较小时, $\operatorname{softmax}(\overrightarrow{\mathbf{x}})_{i}$ 的计算结果可能为 0 。此时 $\log \operatorname{softmax}(\overrightarrow{\mathbf{x}})$ 趋向于负无穷,因此存在
    数值稳定性问题。

  • 通常需要设计专门的函数来计算 $\log$ softmax,而不是将 $\operatorname{softmax}$ 的结果传递给 $\log$ 函数。

  • $\log \operatorname{softmax}(\cdot)$ 函数应用非常广泛。通常将 $\operatorname{softmax}$ 函数的输出作为模型的输出。由于一般使用样本的 交叉商作为目标函数,因此需要用到 $\operatorname{softmax}$ 输出的对数。

参考资料



文章链接:
https://www.zywvvd.com/notes/study/deep-learning/softmax-overflow/softmax-overflow/


“觉得不错的话,给点打赏吧 ୧(๑•̀⌄•́๑)૭”

微信二维码

微信支付

支付宝二维码

支付宝支付

数值溢出与 softmax
https://www.zywvvd.com/notes/study/deep-learning/softmax-overflow/softmax-overflow/
作者
Yiwei Zhang
发布于
2021年7月18日
许可协议