关于 Softmax 回归的反向传播求导数过程
对于 $Softmax$ 回归的正向传播非常简单，就是对于一个输入 $X$ 对每一个输入标量 $x_i$ 进行加权求和得到 $Z$ 然后对其做概率归一化。
Softmax 示意图
下面看一个简单的示意图：
其中 $X\in\mathbb{R}^{n\times m}$ 是一个向量或矩阵，这取决于传入的是一个训练样本还是一组训练样本，其中 $n$ 是输入特征的数量，$m$ 是传入的训练样本数量；此图只是示意的一个简单的 $Softmax$ 的传播单元，可以把它理解为一个神经单元，所以 $W\in\mathbb{R}^{n\times k}$ 可以看成每一个 $X$ 的特征的权重，$W$ 是向量还是矩阵同样取决于第二层（图中第一个方框）有多少个神经单元，用 $k$ 表示第二层的数量，$b\in\mathbb{R}$ 为偏置（bias）单元。
全连接神经网络
上图只是一个广泛的 $Softmax$ 的示意图，下面用一个神经网络表示。
上图是更广义的 $L$ 层全连接神经网络，其中，$l_1$ 表示第一层的神经元数量，$l_L$ 表示最后一层，即第 $L$ 层的神经元数量，根据 $Softmax$ 模型，假设此神经网络用作 $C$ 分类的网络，$l_L$ 的数量也是 $C$ 的数量；$\hat{y}\in\mathbb{R}^{C\times m}$ 可以是向量也可以是矩阵，同样取决于是否对一组输入进行了 矢量化（vectorization） ，表示每一个样本的预测概率；最后将 $\hat{y}$ 传入损失函数 $\ell(y,\hat{y})$ 对其计算损失，公式如下：
\[\ell(y,\hat{y})=-\sum_{i=1}^Cy_i\ln{\hat{y}_i}\]最后，定义该网络一组训练样本的 $cost$ 损失函数：
\[J(W,b)=\frac{1}{m}\sum_{i=1}^m\ell(y^{(i)},\hat{y}^{(i)})\]反向传播求导推理
下面对神经网络进行反向传播的求导推导。
首先，神经网络前向传播的最后一个操作是计算单个样本上的损失度 $\ell(y,\hat{y})$ 所以首先计算 $\frac{\partial\ell}{\partial\hat{y}}$ 由于神经网络的最后一层 $a^{[L]}$ 就是 $\hat{y}$ 的预测输出，所以就是对 $a^{[L]}$ 求导：
\[\begin{split} \frac{\partial\ell}{\partial a^{[L]}}&=\frac{\partial}{\partial a^{[L]}}\left(-\sum_{i=1}^Cy_i\ln{\hat{y}_i}\right)\\ &=\frac{\partial}{\partial a^{[L]}}\left(-(y_1\ln{\hat{y}_1}+y_2\ln{\hat{y}_2}+\dots+y_C\ln{\hat{y}_C})\right)\\ &=\frac{\partial}{\partial a^{[L]}}\left(-(y_1\ln{a^{[L]}_1}+y_2\ln{a^{[L]}_2}+\dots+y_C\ln{a^{[L]}_C})\right) \end{split}\]可以从公式中看到，$a^{[L]}\in\mathbb{R}^{C\times 1}$ 是一个向量，而 $\ell\in\mathbb{R}$ 则为一个标量，根据 标量对向量 求导的法则，可以得到：
\[\begin{split} \frac{\partial\ell}{\partial a^{[L]}}&=\frac{\partial}{\partial a^{[L]}}\left(-(y_1\ln{a^{[L]}_1}+y_2\ln{a^{[L]}_2}+\dots+y_C\ln{a^{[L]}_C})\right)\\ &=\begin{bmatrix} \frac{\partial}{\partial a^{[L]}_1}\left(-(y_1\ln{a^{[L]}_1}+y_2\ln{a^{[L]}_2}+\dots+y_C\ln{a^{[L]}_C})\right)& \frac{\partial}{\partial a^{[L]}_2}\left(-(y_1\ln{a^{[L]}_1}+y_2\ln{a^{[L]}_2}+\dots+y_C\ln{a^{[L]}_C})\right)& \dots& \frac{\partial}{\partial a^{[L]}_C}\left(-(y_1\ln{a^{[L]}_1}+y_2\ln{a^{[L]}_2}+\dots+y_C\ln{a^{[L]}_C})\right) \end{bmatrix}\\ &=\begin{bmatrix} -\frac{y_1}{a^{[L]}_1}& -\frac{y_2}{a^{[L]}_2}& \dots& -\frac{y_C}{a^{[L]}_C}& \end{bmatrix}\\ &=-\frac{y}{a^{[L]}}\\ &=-\frac{y}{\hat{y}} \end{split}\]得到 $\frac{\partial\ell}{\partial a^{[L]}}$ 后，下面就继续对 $\frac{\partial\ell}{\partial z^{[L]}}$ 求偏导，因为 $a$ 是关于 $z$ 的函数，所以使用链式求导法则 $\frac{\partial\ell}{\partial z^{[L]}}=\frac{\partial\ell}{\partial a^{[L]}}\frac{\partial a^{[L]}}{\partial z^{[L]}}$ 下面计算 $\frac{\partial a^{[L]}}{\partial z^{[L]}}$ 又因为 $a^{[L]},z^{[L]}\in\mathbb{R}^{C\times 1}$ 都是相同维度的向量，所以根据 向量对向量 求导的法则，可以得到：
\[\begin{split} \frac{\partial a^{[L]}}{\partial z^{[L]}}&=\begin{bmatrix} \frac{\partial a^{[L]}}{\partial z^{[L]}_1}& \frac{\partial a^{[L]}}{\partial z^{[L]}_2}& \dots& \frac{\partial a^{[L]}}{\partial z^{[L]}_C} \end{bmatrix} \end{split}\]可以观察上式子中，$z^{[L]}_i\in\mathbb{R}$ 是一个标量，$a^{[L]}$ 为向量，所以使用 向量对向量 的求导法则：
\[\begin{split} \frac{\partial a^{[L]}}{\partial z^{[L]}}&=\begin{bmatrix} \frac{\partial a^{[L]}}{\partial z^{[L]}_1}& \frac{\partial a^{[L]}}{\partial z^{[L]}_2}& \dots& \frac{\partial a^{[L]}}{\partial z^{[L]}_C} \end{bmatrix}\\ &=\begin{bmatrix} \frac{\partial}{\partial z^{[L]}_1}\left(\frac{e^{z^{[L]}}}{\sum_{i=1}^Ce^{z^{[L]}_i}} \right)& \frac{\partial}{\partial z^{[L]}_2}\left(\frac{e^{z^{[L]}}}{\sum_{i=1}^Ce^{z^{[L]}_i}} \right)& \dots& \frac{\partial}{\partial z^{[L]}_C}\left(\frac{e^{z^{[L]}}}{\sum_{i=1}^Ce^{z^{[L]}_i}} \right) \end{bmatrix} \end{split}\]我们拿出来第一个元素 $\frac{\partial}{\partial z_1^{[L]}}\left(\frac{e_z^{[L]}}{\sum_{i=1}^Ce^{z^{[L]}_i}}\right)$ 对其研究，发现是 向量对标量 求导，我们将其展开：
\[\begin{split} \frac{\partial}{\partial z_1^{[L]}}\left(\frac{e^{z^{[L]}}}{\sum_{i=1}^Ce^{z^{[L]}_i}}\right)&=\begin{bmatrix} \frac{\partial}{\partial z^{[L]}_1}\left(\frac{e^{z_1^{[L]}}}{\sum_{i=1}^Ce^{z^{[L]}_i}}\right)& \frac{\partial}{\partial z^{[L]}_1}\left(\frac{e^{z_2^{[L]}}}{\sum_{i=1}^Ce^{z^{[L]}_i}}\right)& \dots& \frac{\partial}{\partial z^{[L]}_1}\left(\frac{e^{z_C^{[L]}}}{\sum_{i=1}^Ce^{z^{[L]}_i}}\right)& \end{bmatrix} \end{split}\]我们可以从这个式子中发现一个规律，在对 $\frac{\partial a^{[L]}}{\partial z^{[L]}}$ 求导的展开式中，每一项都会有一个分母项 $z_i^{[L]}$ 和分子的向量中的一个元素 $e^{z_i^{[L]}}$ 相对应，分子中的其它项 $e^{z_j^{[L]}}$ 就与之不对应；
比如在第一个元素 $\frac{\partial a^{[L]}_1}{\partial z^{[L]}_1}$ 中，$a$ 和 $z$ 的下标都相同，所以可以得到：
\[\begin{split} \frac{\partial a^{[L]}_1}{\partial z_1^{[L]}} &=\frac{\partial}{\partial z_1^{[L]}}\left(\frac{e^{z_1^{[L]}}}{\sum_{i=1}^Ce^{z_i^{[L]}}}\right)\\ &=\frac{(e^{z_1^{[L]}})'\sum_{i=1}^Ce^{z_i^{[L]}}-e^{z_1^{[L]}}(e^{z_1^{[L]}}+e^{z_2^{[L]}}+\dots+e^{z_C^{[L]}})'}{\left(\sum_{i=1}^Ce^{z_i^{[L]}}\right)^2}\\ &=\frac{e^{z_1^{[L]}}\sum_{i=1}^Ce^{z_i^{[L]}}-e^{z_1^{[L]}}e^{z_1^{[L]}}}{\left(\sum_{i=1}^Ce^{z_i^{[L]}}\right)^2}\\ &=\frac{e^{z_1^{[L]}}\sum_{i=1}^Ce^{z_i^{[L]}}}{(\sum_{i=1}^Ce^{z_i^{[L]}})^2}-\frac{e^{z_1^{[L]}}e^{z_1^{[L]}}}{(\sum_{i=1}^Ce^{z_i^{[L]}})^2}\\ &=\frac{e^{z_1^{[L]}}}{\sum_{i=1}^Ce^{z_i^{[L]}}}-\frac{e^{z_1^{[L]}}}{\sum_{i=1}^Ce^{z_i^{[L]}}}\frac{e^{z_1^{[L]}}}{\sum_{i=1}^Ce^{z_i^{[L]}}}\\ &=a^{[L]}_1(1-a^{[L]}_1) \end{split}\]我们可以将其对推广到其它的求导式子中，即当 $i=j$ 时，我们可以得到：
\[\frac{\partial e^{z^{[L]}_i}}{\partial z^{[L]}_j}=a^{[L]}_i(1-a^{[L]}_i)\]如果，当 $i\neq j$ 时，我们得到（由于使用的 $i,j$ 作为下标，故将分母的 $\Sigma$ 累加和的下标使用 $k$ 替换）：
\[\begin{split} \frac{\partial a^{[L]}_i}{\partial z_j^{[L]}} &=\frac{\partial}{\partial z_j^{[L]}}\left(\frac{e^{z_i^{[L]}}}{\sum_{k=1}^Ce^{z_k^{[L]}}}\right)\\ &=\frac{(e^{z_i^{[L]}})'\sum_{k=1}^Ce^{z_k^{[L]}}-e^{z_i^{[L]}}(e^{z_1^{[L]}}+e^{z_2^{[L]}}+\dots+e^{z_C^{[L]}})'}{\left(\sum_{k=1}^Ce^{z_k^{[L]}}\right)^2}\\ &=\frac{0\sum_{i=1}^Ce^{z_i^{[L]}}-e^{z_i^{[L]}}e^{z_j^{[L]}}}{\left(\sum_{k=1}^Ce^{z_k^{[L]}}\right)^2}\\ &=\frac{-e^{[L]}_ie^{ [L]}_j}{(\sum_{k=1}^Ce^{[L]}_k)^2}\\ &=-\frac{e^{[L]}_i}{\sum_{k=1}^Ce^{[L]}_k}\frac{e^{[L]}_j}{\sum_{k=1}^Ce^{[L]}_k}\\ &=-a_ia_j \end{split}\]然后我们写出 $\frac{\partial a^{[L]}}{\partial z^{[L]}}$ 的 雅可比矩阵（jacobian matrix） ：
\[\begin{split} \frac{\partial a^{[L]}}{\partial z^{[L]}}&=\begin{bmatrix} \frac{\partial a^{[L]}_1}{\partial z^{[L]}_1}&\frac{\partial a^{[L]}_1}{\partial z^{[L]}_2}&\dots&\frac{\partial a^{[L]}_1}{\partial z^{[L]}_C}\\ \frac{\partial a^{[L]}_2}{\partial z^{[L]}_1}&\frac{\partial a^{[L]}_2}{\partial z^{[L]}_2}&\dots&\frac{\partial a^{[L]}_2}{\partial z^{[L]}_C}\\ \vdots&\vdots&\ddots&\vdots\\ \frac{\partial a^{[L]}_C}{\partial z^{[L]}_1}&\frac{\partial a^{[L]}_C}{\partial z^{[L]}_2}&\dots&\frac{\partial a^{[L]}_C}{\partial z^{[L]}C} \end{bmatrix}\\ \end{split}\]我们发现除了对角线上即 $i=j$ 时的求导为 $a_i(1-a_j)$ 而矩阵的其它元素即 $i\neq j$ 时求导为 $-a_ia_j$ 。
至此，我们求出来了 $\frac{\partial\ell}{\partial a^{[L]}}$ 和 $\frac{\partial a^{[L]}}{\partial z^{[L]}}$ 所以下面我们就开始计算 $\frac{\partial\ell}{\partial z^{[L]}}$ 的导数：
\[\frac{\partial\ell}{\partial z^{[L]}}=\frac{\partial\ell}{\partial a^{[L]}}\frac{\partial a^{[L]}}{\partial z^{[L]}}\]首先我们先看第一项，在上面我们已经求出了 $\frac{\partial\ell}{\partial a^{[L]}}$ 的导数即 $-\frac{y}{a^{[L]}}$ 首先我们从分子和分母中可以看到 $y,a^{[L]}\in\mathbb{R}^{1\times C}$ 两个都是一个 $1\times C$ 的向量，所以可以得到 $\frac{\partial\ell}{\partial a^{[L]}}$ 也是一个 $1\times C$ 向量；而式子的第二项我们刚刚求出了其 雅可比矩阵 $\frac{\partial a^{[L]}}{\partial z^{[L]}}\in\mathbb{R}^{C\times C}$ 是一个 $C\times C$ 的矩阵，而在对 $\frac{\partial\ell}{\partial z^{[L]}}$ 将向量和矩阵相乘，所以我们得到了一个 $1\times C$ 的向量：
\[\begin{split} \frac{\partial\ell}{\partial a^{[L]}}\frac{\partial a^{[L]}}{\partial z^{[L]}}&= \begin{bmatrix} -\frac{y_1}{a^{[L]}_1}&-\frac{y_2}{a^{[L]}_2}&\dots&-\frac{y_C}{a^{[L]}_C} \end{bmatrix} \begin{bmatrix} \frac{\partial a^{[L]}_1}{\partial z^{[L]}_1}&\frac{\partial a^{[L]}_1}{\partial z^{[L]}_2}&\dots&\frac{\partial a^{[L]}_1}{\partial z^{[L]}_C}\\ \frac{\partial a^{[L]}_2}{\partial z^{[L]}_1}&\frac{\partial a^{[L]}_2}{\partial z^{[L]}_2}&\dots&\frac{\partial a^{[L]}_2}{\partial z^{[L]}_C}\\ \vdots&\vdots&\ddots&\vdots\\ \frac{\partial a^{[L]}_C}{\partial z^{[L]}_1}&\frac{\partial a^{[L]}_C}{\partial z^{[L]}_2}&\dots&\frac{\partial a^{[L]}_C}{\partial z^{[L]}C} \end{bmatrix}\\ &=\begin{bmatrix} -\frac{y_1}{a^{[L]}_1}\frac{\partial a^{[L]}_1}{\partial z^{[L]}_1}-\frac{y_2}{a^{[L]}_2}\frac{\partial a^{[L]}_2}{\partial z^{[L]}_1}-\dots-\frac{y_C}{a^{[L]}_C}\frac{\partial a^{[L]}_C}{\partial z^{[L]}_1}\\ -\frac{y_1}{a^{[L]}_1}\frac{\partial a^{[L]}_1}{\partial z^{[L]}_2}-\frac{y_2}{a^{[L]}_2}\frac{\partial a^{[L]}_2}{\partial z^{[L]}_2}-\dots-\frac{y_C}{a^{[L]}_C}\frac{\partial a^{[L]}_C}{\partial z^{[L]}_2}\\ \vdots\\ -\frac{y_1}{a^{[L]}_1}\frac{\partial a^{[L]}_1}{\partial z^{[L]}_C}-\frac{y_2}{a^{[L]}_2}\frac{\partial a^{[L]}_2}{\partial z^{[L]}_C}-\dots-\frac{y_C}{a^{[L]}_C}\frac{\partial a^{[L]}_C}{\partial z^{[L]}_C}\\ \end{bmatrix}^T\\ &=\begin{bmatrix} -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}\frac{\partial a^{[L]}_i}{\partial z^{[L]}_1}& -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}\frac{\partial a^{[L]}_i}{\partial z^{[L]}_2}& \dots& -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}\frac{\partial a^{[L]}_i}{\partial z^{[L]}_C} \end{bmatrix} \end{split}\]注意第二行得到的结果应该是一个 $1\times C$ 的向量，由于排版所以将其转置成 $C\times 1$ 的向量，不过这毫不影响推导。
所以，根据式子的最后一步，我们可以得到，对于 $a^{[L]}$ 上的所有元素 $a^{[L]}_j$ 我们可以得到一个更统一化的式子：
\[\begin{split} \frac{\partial\ell}{\partial a^{[L]}}\frac{\partial a^{[L]}}{\partial z^{[L]}}&=\begin{bmatrix} -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}\frac{\partial a^{[L]}_i}{\partial a^{[L]}_1}& -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}\frac{\partial a^{[L]}_i}{\partial a^{[L]}_2}& \dots& -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}\frac{\partial a^{[L]}_i}{\partial a^{[L]}_C} \end{bmatrix}\\ &=\begin{bmatrix} -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}\frac{\partial a^{[L]}_i}{\partial a^{[L]}_j} \end{bmatrix},j=[1,2,\dots,C]\\ \end{split}\]我们观察式子的最后一项关于 $\frac{\partial a^{[L]}_i}{\partial z^{[L]}_j}$ 我们在上面求出了其导数有两种情况：
\[\begin{split} \frac{\partial a^{[L]}_i}{\partial z^{[L]}_j}=\left\{\begin{matrix} a_i(1-a_j)&&i=j\\ -a_ia_j&&i\neq j \end{matrix}\right. \end{split}\]我们将这个结果带回到上面的式子中：
\[\begin{split} -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}\frac{\partial a^{[L]}_i}{\partial z^{[L]}_j}&= \left\{\begin{matrix} -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}a^{[L]}_i(1-a^{[L]}_j)&&i=j\\ \sum_{i=1}^C\frac{y_i}{a^{[L]}_i}a^{[L]}_ia^{[L]}_j&&i\neq j \end{matrix}\right.\\ &= \left\{\begin{matrix} -\sum_{i=1}^Cy_i(1-a^{[L]}_j)&&i=j\\ \sum_{i=1}^Cy_ia^{[L]}_j&&i\neq j \end{matrix}\right.\\ &= \left\{\begin{matrix} \sum_{i=1}^Cy_ia^{[L]}_j-y_i&&i=j\\ \sum_{i=1}^Cy_ia^{[L]}_j&&i\neq j \end{matrix}\right. \end{split}\]注意虽然最后把式子推导成为两个部分，但是最原始的式子就是要把每一项 $i$ 与 $j$ 全部加起来，不过就是因为要区别对待 $i,j$ 相不相等的情况，这里当 $i=j$ 时只有一项，所以可以将前面的 $\sum$ 符号去掉，然后把后面的 $i\neq j$ 的项加起来，我们可以得到：
\[\begin{split} -\sum_{i=1}^C\frac{y_i}{a^{[L]}_i}\frac{\partial a^{[L]}_i}{\partial z^{[L]}_j}&= {\color{red}{-y_j+y_ja^{[L]}_j}}+{\color{green}{\sum_{i\in{\{i|i\neq j\}}}y_ia^{[L]}_j}}\\ &=-y_j+{\color{blue}{y_ja^{[L]}_j+\sum_{i\in{\{i|i\neq j\}}}y_ia^{[L]}_j}}\\ &=-y_j+{\color{orange}{\sum_{i=1}^Cy_ia^{[L]}_j}}\\ &=-y_j+a^{[L]}_j\sum_{i=1}^Cy_i\\ &=a^{[L]}_i-y_j\\ &=a^{[L]}-y \end{split}\]首先说明一下式子的第一行，红色的部分是 $i=j$ 的情况，只有一项，所以不需要用 $\sum$ 符号表示，绿色部分是当 $i\neq j$ 的情况；
在第二行中，我们可以看到，在整个蓝色的式子中，第一项是 $i=j$ 的情况，而后面是 $i\neq j$ 的所有项加起来，我们可以发现第一项的 $y_j$ 正好补充了后面的 $\sum$ 求和的部分，所以将这两项合并就到了 $\sum_{i=1}^C$ 的项；
因为下标是 $i$ 索引的，所以将常数项 $a^{[L]}j$ 提到前面来；此时观察后面的 $\sum{i=1}^Cy_i$ 项，根据 $Softmax$ 多分类的情况，$y$ 是由一个 $1$ 和其它全 $0$ 组成的，所以对 $y$ 进行累加和，我们得到的是 $1$
最后，整理下式子，我们就能得到 $\frac{\partial\ell}{\partial z^{[L]}}$ 的导数为 $a^{[L]}-y$
总结
$Softmax$ 回归的激活部分，和使用 $Sigmoid/ReLu$ 作为激活函数是有所不同的，因为在 $Sigmoid/ReLu$ 中，每一个神经元计算得到 $z$ 后不需要将其它神经元的 $z$ 全部累加起来做概率的 归一化 ；也就是说以往的 $Sigmoid/ReLu$ 作为激活函数，每一个神经元由 $z$ 计算 $a$ 时是独立于其它的神经元的；所以在反向传播求导数的时候，我们就能发现当计算 $\frac{\partial a}{\partial z}$ 的时候，不再是单独的一一对应的关系，而是像正向传播那样，将上一层的结果全部集成到每一个神经元上，下面的图中，红色箭头表示了 $Softmax$ 和 $Sigmoid/ReLu$ 的反向传播的路径的有所不同。
在上图中， $Softmax$ 层的激活的反向传播，可以看到每一个 $a^{[L]}_i$ 都回馈到了不同的 $z^{[L]}_j$ 的神经元上；其中红色的线表示了 $i=j$ 的情况，其它蓝色的线表明了 $i\neq j$ 的情况，这也说明了为什么在 $Softmax$ 里的求导中会出现两种情况；反观第一层中的 $Sigmoid/ReLu$ 激活中，每一个对 $z^{[1]}_i$ 的激活都是在本地的神经元中得到的，没有其它神经单元传入的情况，所以也没有复杂的分下标 $i,j$ 讨论求导的情况。
参考博客
Enjoy Reading This Article?
Here are some more articles you might like to read next: