有效防止softmax计算时上溢出(overflow)和下溢出(underflow)的方法

有效防止softmax计算时上溢出(overflow)和下溢出(underflow)的方法

 

Deep Learning》(Ian Goodfellow & Yoshua Bengio & Aaron Courville)第四章「数值计算」中,谈到了上溢出(overflow)和下溢出(underflow)对数值计算的影响,并以softmax函数和log softmax函数为例进行了讲解。这里我再详细地把它总结一下。

『1』什么是下溢出(underflow)和上溢出(overflow)

  实数在计算机内用二进制表示,所以不是一个精确值,当数值过小的时候,被四舍五入为0,这就是下溢出。此时如果对这个数再做某些运算(例如除以它)就会出问题。反之,当数值过大的时候,情况就变成了上溢出。

『2』softmax函数是什么

softmax函数如下:
有效防止softmax计算时上溢出(overflow)和下溢出(underflow)的方法

从公式上看含义不是特别清晰,所以借用知乎上的一幅图来说明(感谢原作者):

有效防止softmax计算时上溢出(overflow)和下溢出(underflow)的方法

 

这幅图极其清晰地表明了softmax函数是什么,一图胜千言。

『3』计算softmax函数值的问题

  通常情况下,计算softmax函数值不会出现什么问题,例如,当softmax函数表达式里的所有 xi 都是一个“一般大小”的数值 c 时——也就是上图中, z1=z2=z3=c  时,那么,计算出来的函数值y1=y2=y3=1/3 。
但是,当某些情况发生时,计算函数值就出问题了:

  • c 极其大,导致分子计算 ec 时上溢出
  • c 为负数,且  |c| 很大,此时分母是一个极小的正数,有可能四舍五入为0,导致下溢出

『4』如何解决

所以怎样规避这些问题呢?我们可以用同一个方法一口气解决俩:
令  M=max(xi),i=1,2,⋯,n ,即 M 为所有 xi 中最大的值,那么我们只需要把计算 f(xi)的值,改为计算  f(xi−M) 的值,就可以解决上溢出、下溢出的问题了,并且,计算结果理论上仍然和 f(xi)保持一致。
举个实例:还是以前面的图为例,本来我们计算  f(z2) ,是用“常规”方法来算的:
有效防止softmax计算时上溢出(overflow)和下溢出(underflow)的方法

现在我们改成:
有效防止softmax计算时上溢出(overflow)和下溢出(underflow)的方法

其中, M=3 是  z1,z2,z3 中的最大值。可见计算结果并未改变。这是怎么做到的呢?通过简单的代数运算就可以参透其中的“秘密”:
有效防止softmax计算时上溢出(overflow)和下溢出(underflow)的方法

  通过这样的变换,对任何一个 xi,减去M之后,e 的指数的最大值为0,所以不会发生上溢出;同时,分母中也至少会包含一个值为1的项,所以分母也不会下溢出(四舍五入为0)。所以这个技巧没什么高级的技术含量。

『5』延伸问题

  看似已经结案了,但仍然有一个问题:如果softmax函数中的分子发生下溢出,也就是前面所说的 c 为负数,且 |c| 很大,此时分母是一个极小的正数,有可能四舍五入为0的情况,此时,如果我们把softmax函数的计算结果再拿去计算 log,即 log softmax,其实就相当于计算  log(0) ,所以会得到 −∞ ,但这实际上是错误的,因为它是由舍入误差造成的计算错误。所以,有没有一个方法,可以把这个问题也解决掉呢?
  答案还是采用和前面类似的策略来计算 log softmax 函数值:
有效防止softmax计算时上溢出(overflow)和下溢出(underflow)的方法

  大家看到,在最后的表达式中,会产生下溢出的因素已经被消除掉了——求和项中,至少有一项的值为1,这使得log后面的值不会下溢出,也就不会发生计算 log(0) 的悲剧。在很多数值计算的library中,都采用了此类方法来保持数值稳定。

上一篇:deepFM(原理和pytorch理解)


下一篇:前缀和