这篇教程Pytorch中Softmax与LogSigmoid的对比分析写得很实用，希望能帮到您。
Pytorch中Softmax与LogSigmoid的对比torch.nn.Softmax作用： 1、将Softmax函数应用于输入的n维Tensor，重新改变它们的规格，使n维输出张量的元素位于[0,1]范围内，并求和为1。 2、返回的Tensor与原Tensor大小相同，值在[0，1]之间。 3、不建议将其与NLLLoss一起使用，可以使用LogSoftmax代替之。 4、Softmax的公式： 
参数： 维度，待使用softmax计算的维度。 例子： # 随机初始化一个tensora = torch.randn(2, 3)print(a) # 输出tensor# 初始化一个Softmax计算对象，在输入tensor的第2个维度上进行此操作m = nn.Softmax(dim=1)# 将a进行softmax操作output = m(a)print(output) # 输出tensortensor([[ 0.5283, 0.3922, -0.0484], [-1.6257, -0.4775, 0.5645]])tensor([[0.4108, 0.3585, 0.2307], [0.0764, 0.2408, 0.6828]]) 可以看见的是，无论输入的tensor中的值为正或为负，输出的tensor中的值均为正值，且加和为1。 当m的参数dim=1时，输出的tensor将原tensor按照行进行softmax操作；当m的参数为dim=0时，输出的tensor将原tensor按照列进行softmax操作。 深度学习拓展： 一般来说，Softmax函数会用于分类问题上。例如，在VGG等深度神经网络中，图像经过一系列卷积、池化操作后，我们可以得到它的特征向量，为了进一步判断此图像中的物体属于哪个类别，我们会将该特征向量变为：类别数 * 各类别得分 的形式，为了将得分转换为概率值，我们会将该向量再经过一层Softmax处理。 torch.nn.LogSigmoid公式： 
函数图： 
可以见得，函数值在[0, -]之间，输入值越大函数值距离0越近，在一定程度上解决了梯度消失问题。 例子： a = [[ 0.5283, 0.3922, -0.0484], [-1.6257, -0.4775, 0.5645]]a = torch.tensor(a)lg = nn.LogSigmoid()lgoutput = lg(a)print(lgoutput)tensor([[-0.4635, -0.5162, -0.7176], [-1.8053, -0.9601, -0.4502]]) 二者比较： import torchimport torch.nn as nn# 设置a为 2*3 的tensora = [[ 0.5283, 0.3922, -0.0484], [-1.6257, -0.4775, 0.5645]]a = torch.tensor(a)print(a)print('a.mean:', a.mean(1, True)) # 输出a的 行平均值m = nn.Softmax(dim=1) # 定义Softmax函数，dim=1表示为按行计算lg = nn.LogSigmoid() # 定义LogSigmoid函数output = m(a)print(output)# 输出a经过Softmax的结果的行平均值print('output.mean:', output.mean(1, True)) lg_output = lg(a)print(lg_output)# 输出a经过LogSigmoid的结果的行平均值print('lgouput.mean:', lg_output.mean(1, True)) # 结果：tensor([[ 0.5283, 0.3922, -0.0484], [-1.6257, -0.4775, 0.5645]])a.mean: tensor(-0.1111)tensor([[0.4108, 0.3585, 0.2307], [0.0764, 0.2408, 0.6828]])output.mean: tensor([[0.3333], [0.3333]]) # 经过Softmax的结果的行平均值tensor([[-0.4635, -0.5162, -0.7176], [-1.8053, -0.9601, -0.4502]])lgouput.mean: tensor([[-0.5658], [-1.0719]]) # 经过LogSigmoid的结果的行平均值由上可知，继续考虑分类问题，相同的数据，经过Softmax和LogSigmoid处理后，若取最大概率值对应类别作为分类结果，那么： 1、第一行数据经过Softmax后，会选择第一个类别；经过LogSigmoid后，会选择第一个。 2、第二行数据经过Softmax后，会选择第三个类别；经过LogSigmoid后，会选择第三个。 3、一般来说，二者在一定程度上区别不是很大，由于sigmoid函数存在梯度消失问题，所以被使用的场景不多。 4、但是在多分类问题上，可以尝试选择Sigmoid函数来作为分类函数，因为Softmax在处理多分类问题上，会更容易出现各项得分十分相近的情况。瓶颈值可以根据实际情况定。 nn.Softmax()与nn.LogSoftmax()nn.Softmax()计算出来的值，其和为1，也就是输出的是概率分布，具体公式如下： 
这保证输出值都大于0，在0,1范围内。 而nn.LogSoftmax()公式如下： 
由于softmax输出都是0-1之间的，因此logsofmax输出的是小于0的数， softmax求导： 
logsofmax求导： 
例子： import torch.nn as nnimport torchimport numpy as np layer1=nn.Softmax()layer2=nn.LogSoftmax() input=np.asarray([2,3])input=Variable(torch.Tensor(input)) output1=layer1(input)output2=layer2(input)print('output1:',output1)print('output2:',output2)输出： output1: Variable containing:
0.2689
0.7311
[torch.FloatTensor of size 2] output2: Variable containing:
-1.3133
-0.3133
[torch.FloatTensor of size 2]
以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。
pytorch自定义不可导激活函数的操作
Pytorch中Softmax和LogSoftmax的使用详解 |
