在模型中加入softmax的代码

在常见的深度学习框架中，如TensorFlow和PyTorch，加入softmax的实现非常简单。以下是在PyTorch中加入softmax的示例代码：

import torch
import torch.nn as nn

# 定义一个简单的神经网络
class Net(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.fc2 = nn.Linear(hidden_size, output_size)
        
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 定义模型、损失函数和优化器
input_size = 10
hidden_size = 20
output_size = 5
net = Net(input_size, hidden_size, output_size)
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    # 获取数据
    inputs = torch.randn(32, input_size)
    labels = torch.LongTensor(32).random_(0, output_size)
    
    # 前向传播
    outputs = net(inputs)
    # 加入softmax
    outputs = nn.functional.softmax(outputs, dim=1)
    
    # 计算损失
    loss = criterion(outputs, labels)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

在上面的代码中，我们先定义了一个简单的神经网络，然后定义了损失函数和优化器。在每个训练批次中，我们首先进行前向传播，并加入了softmax函数。然后计算损失，反向传播和优化。