np.exp

np.exp 是 NumPy 库中的一个函数，用于计算自然指数函数的值。其输入为一个数值或一个数组，输出为对应数值或数组中每个元素的自然指数函数值。具体使用方法如下：

import numpy as np

x = 2
y = np.array([1, 2, 3])

print(np.exp(x))     # 输出 e^2
print(np.exp(y))     # 输出 [e^1, e^2, e^3]

相关问题

def softmax(x): if x.ndim == 2: x = x.T x = x - np.max(x, axis=0) y = np.exp(x) / np.sum(np.exp(x), axis=0) return y.T x = x - np.max(x) # 溢出对策 return np.exp(x) / np.sum(np.exp(x))

这是 softmax 函数，它是一种常用的多分类激活函数，将任意实数向量映射为概率分布向量。softmax 函数的定义是将向量中每个元素取指数，然后归一化，使得所有元素之和为 1。在神经网络中，softmax 函数常被用于输出层的激活函数，用于多分类问题的预测。softmax 函数的输出值可以看作是每个类别的预测概率，可用于计算交叉熵损失函数，进行反向传播算法的求解。为了避免指数计算时出现数值溢出问题，通常会对输入值进行标准化处理，即将每个元素减去向量中的最大值。

p = np.exp(o) / np.sum(np.exp(o), axis=1, keepdims=True) loss_ce = np.sum(-lab * np.log(p))

这是一个计算交叉熵损失函数的公式，其中o为神经网络的输出，p为softmax函数的输出，lab为label，np.exp()代表以e为底数的指数函数。这个公式可以用来计算神经网络输出的概率与实际标签之间的差距，通过反向传播来优化神经网络。