写出用nunpy计算softmax回归的代价函数的代码

以下是使用numpy计算softmax回归代价函数的代码：

import numpy as np

def softmax_cost(theta, X, y, lambda_reg):
    '''
    Computes the cost of using theta as the parameter for softmax regression.
    '''
    
    # Number of features
    num_features = X.shape[1]
    
    # Number of classes
    num_classes = len(np.unique(y))
    
    # Reshaping theta to be a matrix
    theta = theta.reshape(num_classes, num_features)
    
    # Calculating the hypothesis function
    hypothesis = np.exp(X.dot(theta.T))
    hypothesis = hypothesis / np.sum(hypothesis, axis=1, keepdims=True)
    
    # Calculating the cost function
    cost = -np.sum(np.log(hypothesis[range(X.shape[0]), y]))
    cost = cost / X.shape[0]
    
    # Adding regularization term
    regularization = (lambda_reg / 2) * np.sum(np.square(theta))
    cost = cost + regularization
    
    return cost

这个函数接受4个参数：theta是参数，它的大小为（类别数K，特征数D+1），其中D是特征数；X是输入的训练集数据，大小为（N，D+1），其中N是训练集的大小；y是输出的类别标签，大小为（N，1），其中N是训练集的大小；lambda_reg是正则化参数。

该函数首先将theta重塑为K和D + 1，然后计算hypothesis矩阵，该矩阵的维度为（N，K），其中每个元素都是模型预测与每个类别相关的概率。然后计算代价函数，该函数是负对数后验概率的总和。最后，添加正则化术语以避免过拟合。

对于该函数，我们需要使用优化算法（例如梯度下降算法）来最小化代价函数以找到最佳参数。