在没有 Softmax 的情况下标准化输出答案

【问题标题】：Normalize output without Softmax在没有 Softmax 的情况下标准化输出
【发布时间】：2018-10-29 02:33:23
【问题描述】：

使用softmax 输出层为我的生成神经网络进行训练总体上比使用relu 得到更好的结果，但relu 给了我所需的稀疏性（以像素为单位的零）。 Softmax 还有助于获得标准化输出（即 sum =1.）。

我想做：

outputs = Dense(200, activation='softmax', activity_regularizer=l1(1e-5))(x)
outputs = Activation('relu')(outputs) # to get real zeros
outputs = Activation('softmax')(outputs) # still real zeros, normalized output

但是通过应用连续的 softmax，我会得到极端的输出。有没有我可以使用的层，它只是将输出标准化为 1 (output_i/sum(output)) 而不是 softmax？

【问题讨论】：

标签： tensorflow neural-network keras

【解决方案1】：

你不需要添加两个softmax。就最后一个就好了：

outputs = Dense(200, activation='relu', activity_regularizer=l1(1e-5))(x)
outputs = Activation('softmax')(outputs) # still real zeros, normalized

然而，如果你有更多的中间层并且你希望它们表现得更温和，你可以使用“tanh”而不是 softmax。

relu 模型的问题通常不完全是“它们的总和不为 1”，而只是“它们的值太高，梯度不能很好地表现”。

#this combines a max output of 1 (but doesn't care about the sum)
#yet keeping the sparsity:
outputs = Dense(200, activation='tanh')(x)
outputs = Activation('relu')(outputs) # to get real zeros

outputs = Dense(200, activation='relu')(outputs)

#this should only be used at the final layer
#and only if you really have a classification model with only one correct class
outputs = Activation('softmax')(outputs) # still real zeros, normalized output

Softmax 倾向于只支持其中一种结果。如果您不想更改结果之间的比较方式，但又想制作sum=1，您可以寻求@nuric 的答案。

【讨论】：

我需要对我的输出进行标准化，总和正好 = 1。你的建议是一个非常好的建议，可以用 tanh 改进 relu。但不是我要解决的问题。我的模型不是分类，但我需要一个标准化的输出。我可以尝试不使用softmax，而是使用@nuric 建议的单位规范
我明白了 :) --- 即便如此，真正需要 softmax 的唯一层是最后一层。所以你只需要调用一次“softmax”，你的结果就不会那么极端了。

【解决方案2】：

您可以编写自己的层来将输出转换为单位范数（即在您的情况下进行归一化），而无需应用 softmax。您可以通过将输出转换为单位向量来实现。大致如下：

def unitnorm(x):
  return x / (K.epsilon() + K.sqrt(K.sum(K.square(x), keepdims=True)))
# Wrap Lambda layer
outputs = Lambda(unitnorm, name='unitnorm')(outputs)

代码来自unit norm constraint，它对内核和层中的偏差执行相同的操作。您可以尝试不使用 epsilon 以更精确，但如果您有很多零，则可能会不太稳定。

【讨论】：