从tf.math.log_softmax和tf.keras.losses.SparseCategoricalCrossentropy看softmax的上溢和下溢问题

什么是softmax的上溢和下溢问题

从公式可以看出，对于电脑计算指数函数exp(x)时，

1. 如果x过于大，比如1000，则会变为inf，无穷大,这就是softmax的上溢问题；

2. 同样，如果x过于小，比如-1000，则exp(-1000)会直接收敛为0，当softmax的分母的每一项都是0时，就是对应的softmax的下溢问题。

解决这个问题的方法就是利用softmax的冗余性。即，softmax(x-a)=softmax(x)。注明，tf.math.softmax已经默认使用了此方法来解决上溢和下溢问题。详情见：(12条消息) softmax上溢和下溢问题_会飞的猩猩。的博客-CSDN博客_softmax 下溢

但是虽然通过冗余性可以解决上溢和下溢问题，但是数值的近似化已经生成，log(exp(-1000))的结果也就不对了。

而对于softmax的结果都是在（0,1）之间，在对softmax激活函数后的结果进行交叉熵损失计算时，则很容易出现大量的0结果，从而使得结果的可靠性受到挑战，为此，出现了tf.math.log_softmax和tf.math.log_sigmoid。在模型上的体现上，例如tf.keras.losses.SparseCategoricalCrossentropy中有一个参数from_logits，其就是在将模型的最后一个激活层移动到损失函数的计算上来，从而减少数值溢出问题导致的模型可靠性不足。关于tf.keras.losses.SparseCategoricalCrossentropy的介绍，见(12条消息) tf.keras.losses.SparseCategoricalCrossentropy 学习总结_会发paper的学渣的博客-CSDN博客

特别注意如下数值问题：

tf.math.exp(tf.constant([1000.]))的结果为inf，即无穷大

tf.math.exp(tf.constant([-1000.]))的结果为0

tf.math.log(tf.constant([[1e-40]]))的结果为-inf，即负无穷小