前言：
小编这次给老铁们聊一聊在计算Loss部分是可能出现的一些小问题以及现在的解决方法。其实也是仔细阅读下Caffe代码中有关Softmax Loss和Sigmoid Cross Entropy Loss两个部分的真实计算方法。
Softmax
有关Softmax的起源以及深层含义这里不多说了，我们直接来看看从定义出发的计算方法：
Def Naive_softmax(X): Y = Np.Exp(X) Return Y / Np.Sum(Y)随便生成一组数据，计算一下：
A = Np.Random.Rand(10) Print A Print Naive_softmax(A) [ 0.67362493 0.20352691 0.02024274 0.29988184 0.2319521 0.43930833 0.98219225 0.54569955 0.00298489 0.83399241] [ 0.12203807 0.07626659 0.06349434 0.08398094 0.07846559 0.09654569 0.16615155 0.10738362 0.06240797 0.14326563]从结果来看比较正常，符合预期，但是如果我们的输入不那么正常呢？
B = Np.Random.Rand(10) * 1000 Print B Print Naive_softmax(B) [ 497.46732916 227.75385779 537.82669096 787.54950048 663.13861524 224.69389572 958.39441314 139.09633232 381.35034548 604.08586655] [ 0. 0. 0. Nan 0. 0. Nan 0. 0. 0.]我们发现数值溢出了，因为指数函数是一个很容易让数值爆炸的函数，那么输入大概到多少会溢出呢？蛋疼的我还是做了一个实验：
Np.Exp(709) 8.2184074615549724e+307这是在Python能够正常输出的单一数字的极限了。实际上这接近Double类型的数值极限了。
虽然我们前面讲过有一些方法可以控制住数字，使输出不会那么大，但是终究难免会有个别大数字使得计算溢出。而且实际场景中计算Softmax的向量维度可能会比较大，大家累积起来的数字有时还是挺吓人的。
那么如何解决呢？我们只要给每个数字除以一个大数，保证它不溢出，问题不就解决了？老司机给出的方案是找出输入数据中最大的数，然后除以E的最大数次幂，相当于下面的代码：
Def High_level_softmax(X): Max_val = Np.Max(X) X -= Max_val Return Naive_softmax(X)这样一来，之前的问题就解决了，数值不再溢出了。
B = Np.Random.Rand(10) * 1000 Print B Print High_level_softmax(B) [ 903.27437996 260.68316085 22.31677464 544.80611744 506.26848644 698.38019158 833.72024087 200.55675076 924.07740602 909.39841128] [ 9.23337324e-010 7.79004225e-289 0.00000000e+000 1.92562645e-165 3.53094986e-182 9.57072864e-099 5.73299537e-040 6.01134555e-315 9.99999577e-001 4.21690097e-007]虽然不溢出了，但是这个结果看着还是有点怪。上面的例子中最大的数字924.07740602的结果高达0.99999，而其他一众数字经过Softmax之后都小的可怜，小到我们用肉眼无法从坐标轴上把它们区分出来，这说明Softmax的最终结果和Scale有很大的关系。
为了让这些小的可怜的数字不那么可怜，使用一点平滑的小技巧还是很有必要的，于是代码又变成：
Def Practical_softmax(X): Max_val = Np.Max(X) X -= Max_val Y = Np.Exp(X) Y[Y < 1e-20] = 1e-20 Return Y / Np.Sum(Y)结果变成了：
[ 9.23337325e-10 9.99999577e-21 9.99999577e-21 9.99999577e-21 9.99999577e-21 9.99999577e-21 9.99999577e-21 9.99999577e-21 9.99999577e-01 4.21690096e-07]看上去比上面的还是要好一些，虽然不能扭转一家独大的局面。
Sigmoid Cross Entropy Loss
从上面的例子我们可以看出，Exp这个函数实在是有毒。下面又轮到另外一个中毒专业户Sigmoid出厂了。这里我们同样不解释算法原理，直接出代码：
def naive_sigmoid_loss(x, t): y = 1 / (1 + np.exp(-x)) return -np.sum(t * np.log(y) + (1 - t) * np.log(1 - y)) / y.shape[0]我们给出一个温和的例子：
a = np.random.rand(10) b = a > 0.5 print a print b print naive_sigmoid_loss(a,b) [ 0.39962673 0.04308825 0.18672843 0.05445796 0.82770513 0.16295996 0.18544111 0.57409273 0.63078192 0.62763516] [False False False False True False False True True True] 0.63712381656
下面自然是一个暴力的例子：
a = np.random.rand(10)* 1000 b = a > 500 print a print b print naive_sigmoid_loss(a,b) [ 63.20798359 958.94378279 250.75385942 895.49371345 965.62635077 81.1217712 423.36466749 532.20604694 333.45425951 185.72621262] [False True False True True False False True False False] nan果然不出所料，我们的程序又一次溢出了。
那怎么办呢？这里节省点笔墨，直接照搬老司机的推导过程：（侵删，我就自己推一遍了……）
于是，代码变成了：
def high_level_sigmoid_loss(x, t): first = (t - (x > 0)) * x second = np.log(1 + np.exp(x - 2 * x * (x > 0))) return -np.sum(first - second) / x.shape[0]举一个例子：
a = np.random.rand(10)* 1000 - 500 b = a > 0 print a print b print high_level_sigmoid_loss(a,b) [-173.48716596 462.06216262 -417.78666769 6.10480948 340.13986055 23.64615392 256.33358957 -332.46689674 416.88593348 -246.51402684] [False True False True True True True False True False] 0.000222961919658这样一来数值的问题也就解决了！
就剩一句话了
计算中遇到Exp要小心溢出！
因为里面聊的已经是老生长谈的事情，但是为了保持对CNN问题的完整性，还是把它单独拿出来写一篇给老铁们好好分析一下。昨晚为了整理人工智能方面的资料，凌晨五点多才睡，如果有想要的老铁们可以关注小编扫下方微信公众号领取！！！