Softmax迴歸函式是用於將分類結果歸一化。但它不同於一般的按照比例歸一化的方法，它通過對數變換來進行歸一化，這樣實現了較大的值在歸一化過程中收益更多的情況。

Softmax公式

Softmax實現方法1

import numpy as np
def softmax(x):
    """Compute softmax values for each sets of scores in x."""
    pass  # TODO: Compute and return softmax(x)
    x = np.array(x)
    x = np.exp(x)
    x.astype('float32'
 
)
    if x.ndim == 1:
        sumcol = sum(x)
        for i in range(x.size):
            x[i] = x[i]/float(sumcol)
    if x.ndim > 1:
        sumcol = x.sum(axis = 0)
        for row in x:
            for i in range(row.size):
                row[i] = row[i]/float(sumcol[i])
    return x
#測試結果
scores = [3.0
 
,1.0, 0.2]
print softmax(scores)

其計算結果如下：

[ 0.8360188   0.11314284  0.05083836]

Softmax實現方法2

import numpy as np
def softmax(x):
    return np.exp(x)/np.sum(np.exp(x),axis=0)
#測試結果
scores = [3.0,1.0, 0.2]
print softmax(scores)