具體推倒公式及程式碼參考連結：
My solution to cs224n assignment1(1-2)
CS224n-作業1

1. q1_softmax.py

在程式碼實現過程中，不可以直接套用公式。
例如，對於x = [[1001,1002],[3,4]]這樣的資料，直接套用公式會導致softmax函式上溢。
所以在實際程式碼中，讓矩陣x 減去一個最大值，使得exp裡的最大引數為0，這排除了上溢的可能性。分母中至少有一個值為1的項，排除了因分母下溢導致被零除的可能。

def softmax(x):
    """
    Arguments:
    x -- A D dimensional vector or N x D dimensional numpy matrix.

    Return:
    x -- You are allowed to modify x in-place
    """
    orig_shape = x.shape

    if len(x.shape) > 1: #如果是n維矩陣
        exp_minmax = lambda x: np.exp(x - np.max(x)) #防止softmax函式上溢位(overflow)和下溢位(underflow)
        denom = lambda x: 1.0 / np.sum(x)

        x = np.apply_along_axis(exp_minmax, 1, x) # 0是按列切分，1是按行切分
        denominator = np.apply_along_axis(denom, 1, x)

        if len(denominator.shape) == 1:
            denominator = denominator.reshape((denominator.shape[0], 1))

        x = x * denominator
    else:  ##一維
        x_max = np.max(x)
        x = x - x_max
        numerator = np.exp(x)
        denominator = 1.0 / np.sum(numerator)
        x = numerator.dot(denominator)

    assert x.shape == orig_shape
    return x
 

2. q2_gradcheck.py

開始做作業的時候，沒搞懂題目說的是什麼意思，所以解釋一下。

參考：
deeplearning系列（三）梯度檢驗

gradient check：梯度檢驗。
神經網路演算法使用反向傳播計算目標函式關於每個引數的梯度，可以看做解析梯度。由於計算過程中涉及到的引數很多，反向傳播計算的梯度很容易出現誤差，導致最後迭代得到效果很差的引數值。為了確認程式碼中反向傳播計算的梯度是否正確，可以採用梯度檢驗（gradient check）的方法。通過計算數值梯度，得到梯度的近似值，然後和反向傳播得到的梯度進行比較，若兩者相差很小的話則證明反向傳播的程式碼是正確無誤的。（引自上鍊接）

數學公式為：

3. q2_neural.py

此處涉及神經網路的反向傳播演算法，推一個知乎的答案，數學公式通俗易懂。如何理解神經網路裡面的反向傳播演算法？(第二個人的答案)

在作業程式碼中，是將權重W，W`拼接為一個矩陣，進行計算。
前向傳播，得到y_hat，定義損失函式，反向傳播，更新權重。

未完待續~