softmax损失函数代码实现

softmax损失函数是一种用于多分类问题的损失函数，它可以将多个类别的输出概率归一化并计算交叉熵损失。在代码实现中，我们需要对每个样本的输出概率进行归一化，并计算它们与对应标签的交叉熵损失。

以下是softmax损失函数的代码实现示例：

import numpy as np

def softmax_loss(scores, y):
    # scores为模型对每个类别的输出概率
    # y为对应的标签
    num_samples = scores.shape
    exp_scores = np.exp(scores)
    probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
    loss = -np.log(probs[range(num_samples), y])
    data_loss = np.sum(loss) / num_samples
    return data_loss

# 示例
scores = np.array([[1.2, 0.9, 0.3], [0.8, 1.5, 0.6], [0.2, 0.4, 1.1]])
y = np.array([0, 1, 2])
loss = softmax_loss(scores, y)
print(loss)