Python 3.x 如何使用python中的softmax输出进行神经网络和机器学习，以解释多项式Logit模型？

它涉及使用softmax函数输出进行机器学习和神经网络，以理解和解释多项式Logit模型。

softmax函数是神经网络深度学习中使用的最重要的输出函数之一（请参阅Uniqtech以分钟为单位理解softmax）。Softmax功能适用于有三类或三类以上结果的情况。softmax公式将提升的e取为每个值分数的指数分数，并将其除以指数分数值提升的e之和。例如，如果我知道这四个类的Logit分数为：[3.00、2.0、1.00、0.10]，为了获得概率输出，可以按如下方式应用softmax函数：

将numpy作为np导入

def softmax（x）：

z=np.exp（x-np.max（x））

返回z/z.sum（）

分数=[3.00,2.0,1.00,0.10]

打印（softmax（分数））

输出：概率（p）=0.6420.2360.0870.035

---

所有概率之和（p）=0.642+0.236+0.087+0.035=1.00。您可以尝试替换上述分数中您知道的任何值，您将得到不同的值。所有值或概率之和等于一。这是有意义的，因为所有概率之和等于一，从而将Logit分数转换为概率分数，这样我们可以更好地预测。最后，softmax输出可以帮助我们理解和解释多项式Logit模型。如果您喜欢这些想法，请在下面留下您的评论。

这是否回答了您的问题？我愿意接受你们的想法。你们的回答和贡献都很好，但并没有回答我的问题。为什么？因为你的答案和想法和我的不一样。你觉得拉苏克怎么样？我想听听你们对这个问题的想法和贡献。我愿意听取你们对上述问题的所有想法和贡献。