Python Tensorflow tf.nn.softmax（）函数的性能比手工编写的softmax好得多

我正在用tensorflow写一个简单的逻辑回归。我发现使用tf.nn.softmax时，算法收敛速度更快，最终精度更高。 如果切换到我自己的softmax实现，网络收敛速度会变慢，并且最终精度也不太好

代码如下：

SEED = 1025
W = tf.Variable(tf.truncated_normal([image_size * image_size, num_labels], seed=SEED))
b = tf.Variable(tf.zeros([num_labels]))
logits = tf.matmul(train_dataset, W) + b

# My softmax:
y_ = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), axis=0)
# Tensorflow softmax: 
y_ = tf.nn.softmax(logits)

y_clipped = tf.clip_by_value(y_, 1e-10, 0.9999999)
loss = -tf.reduce_mean(tf.reduce_sum(train_labels * tf.log(y_clipped), axis=1))

使用我的softmax：

Loss at step 0: 22.213934
Training accuracy: 12.7%
Validation accuracy: 13.2%
Loss at step 100: 12.777291
Training accuracy: 45.3%
Validation accuracy: 45.5%
Loss at step 200: 11.361242
Training accuracy: 48.2%
Validation accuracy: 47.4%
Loss at step 300: 10.658278
Training accuracy: 51.4%
Validation accuracy: 49.7%
Loss at step 400: 9.297832
Training accuracy: 59.2%
Validation accuracy: 56.8%
Loss at step 500: 8.902699
Training accuracy: 62.0%
Validation accuracy: 59.2%
Loss at step 600: 8.681184
Training accuracy: 64.2%
Validation accuracy: 61.0%
Loss at step 700: 8.529438
Training accuracy: 65.8%
Validation accuracy: 62.3%
Loss at step 800: 8.416442
Training accuracy: 66.8%
Validation accuracy: 63.3%
Test accuracy: 70.4%

使用tensorflow的softmax：

Loss at step 0: 13.555875
Training accuracy: 12.7%
Validation accuracy: 14.5%
Loss at step 100: 2.194562
Training accuracy: 72.5%
Validation accuracy: 72.0%
Loss at step 200: 1.808641
Training accuracy: 75.5%
Validation accuracy: 74.5%
Loss at step 300: 1.593390
Training accuracy: 76.8%
Validation accuracy: 75.0%
Loss at step 400: 1.442661
Training accuracy: 77.7%
Validation accuracy: 75.2%
Loss at step 500: 1.327751
Training accuracy: 78.2%
Validation accuracy: 75.4%
Loss at step 600: 1.236314
Training accuracy: 78.5%
Validation accuracy: 75.6%
Loss at step 700: 1.161479
Training accuracy: 78.9%
Validation accuracy: 75.6%
Loss at step 800: 1.098717
Training accuracy: 79.4%
Validation accuracy: 75.8%
Test accuracy: 83.3%

从理论上讲，tensorflow的softmax应该与我实现的完全相同，不是吗

此函数执行与

softmax=tf.exp（logits）/tf.reduce\u和（tf.exp（logits），axis）

编辑：我在从正态分布初始化时添加了一个种子，现在我可以重现精度结果。 在“我的softmax”行中设置轴值时，只有轴=0不会导致错误。设置axis=1或axis=-1都会导致此错误：

tensorflow.python.framework.errors_impl.InvalidArgumentError: Dimensions must be equal, but are 10 and 10000 for 'truediv' (op: 'RealDiv') with input shapes: [10000,10], [10000].

---

您正在将轴=0传递给“您的”softmax。虽然我不知道您的数据看起来如何，但0通常是批处理轴，沿该轴执行softmax是不正确的。参见：轴的默认值为-1。通常，

轴

应该是包含不同类的维度。

• 假设您的softmax实现是正确的
• 首先，比较tensorflow softmax和手写softmax是不公平的，因为程序中包含随机性
• 我的意思是，行

  W=tf.Variable（tf.truncated\u normal（[image\u size*image\u size，num\u labels]）

  在程序中引入了随机性，因为权重最初是随机设置的，所以每次运行程序时都会得到不同的结果
• 如果您有某种种子（某种起点），则只能比较两种softmax
• 现在，如果您多次执行上述实验，并且每次tensorflow softmax都击败手写的softmax，那么您的问题是有效的

• tf.truncated\u normal

  函数不接受种子参数。。。你可以用这个论点，看看结果是什么
• 无论如何，如果您的手写softmax是正确的，那么使用种子，tensorflow softmax和您的softmax应该输出相同的结果
• 甚至我认为你的轴应该是1，这是最后一个轴，因为softmax应该沿着有类的轴

---

总而言之，以下实施是可行的。您可以运行此过程并获得相同的精度

# My softmax:
y1 = tf.exp(logits)
y_ = y1 / tf.reduce_sum(y1, keepdims=True, axis=1)

---

谢谢请修改我的编辑，我添加了一个种子，我的softmax函数的结果更糟。使用axis=1会导致错误。谢谢！。但是设置axis=-1会导致错误，请查看我的编辑。对！按原样，求和前后的尺寸与广播不兼容，因此分区崩溃。尝试将

keepdims=True

添加到

reduce\u sum

。这将使它输出一个（10000，1）的形状，可以广播到（10000，10），分区应该工作。