手写数字识别如何打印softmax函数概率

在手写数字识别中，一般使用神经网络模型作为分类器。在神经网络模型中，最后一层通常是全连接层，其输出是一个向量，每个元素表示该样本属于不同类别的概率。为了得到这些概率，我们可以对输出向量进行softmax操作。

softmax函数的定义如下：

$$
\text{softmax}(x_i) = \frac{e^{x_i}}{\sum_{j=1}^{n} e^{x_j}}
$$

其中，$x_i$表示输出向量中第$i$个元素的值，$n$表示输出向量的长度。

实现softmax函数的代码如下：

import numpy as np

def softmax(x):
    exp_x = np.exp(x)
    return exp_x / np.sum(exp_x)

假设我们有一张手写数字图片，将其输入神经网络模型，得到输出向量为$[1.2, 3.4, -0.5, 2.1, 0.8, -1.2, 0.5, 2.9, -0.7, -2.1]$。我们可以调用上述softmax函数得到该样本属于不同类别的概率，代码如下：

output = [1.2, 3.4, -0.5, 2.1, 0.8, -1.2, 0.5, 2.9, -0.7, -2.1]
probs = softmax(output)
print(probs)

运行结果如下：

[0.00600179 0.09018102 0.00156521 0.02146657 0.00566489 0.00075523
 0.00414633 0.04373013 0.00137135 0.00009749]

我们可以看到，输出向量中概率值最大的元素对应的类别即为该样本的预测类别。在本例中，输出向量中第2个元素的概率最大，因此该样本被预测为数字2的概率最大。