python代碼如下：

import numpy as np # Write a function that takes as input a list of numbers, and returns# the list of values given by the softmax function.def softmax(L): pass expL = np.exp(L) sumExpL = sum(expL) result = [] for i in expL: result.append(i*1.0/sumExpL) return result

python編寫交叉熵公式：

import numpy as np def cross_entropy(Y, P): Y = np.float_(Y) P = np.float_(P) return -np.sum(Y * np.log(P) + (1 - Y) * np.log(1 - P))

補(bǔ)充知識(shí)：分類時(shí)，為什么不使用均方誤差而是使用交叉熵作為損失函數(shù)

MSE（均方誤差）對于每一個(gè)輸出的結(jié)果都非常看重，而交叉熵只對正確分類的結(jié)果看重。

例如：在一個(gè)三分類模型中，模型的輸出結(jié)果為（a,b,c)，而真實(shí)的輸出結(jié)果為(1,0,0)，那么MSE與cross-entropy相對應(yīng)的損失函數(shù)的值如下：

MSE：

cross-entropy：

從上述的公式可以看出，交叉熵的損失函數(shù)只和分類正確的預(yù)測結(jié)果有關(guān)系，而MSE的損失函數(shù)還和錯(cuò)誤的分類有關(guān)系，該分類函數(shù)除了讓正確的分類盡量變大，還會(huì)讓錯(cuò)誤的分類變得平均，但實(shí)際在分類問題中這個(gè)調(diào)整是沒有必要的。

但是對于回歸問題來說，這樣的考慮就顯得很重要了。所以，回歸問題熵使用交叉上并不合適。

以上這篇python編寫softmax函數(shù)、交叉熵函數(shù)實(shí)例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持好吧啦網(wǎng)。