Softmax

Einfach erklärt

Softmax ist eine Aktivierungsfunktion, die in der letzten Schicht von Klassifikationsmodellen eingesetzt wird. Sie wandelt die rohen Ausgaben (Logits) des Modells in eine Wahrscheinlichkeitsverteilung um: Alle Werte werden positiv und summieren sich zu 1. Das ermöglicht es, die Ausgaben als Wahrscheinlichkeiten zu interpretieren – “72% Katze, 26% Hund, 2% Vogel”. In Sprachmodellen entscheidet Softmax, welches Token als nächstes generiert wird.

Softmax wandelt beliebige Zahlen in Wahrscheinlichkeiten um. Egal wie groß oder klein die Eingaben sind – die Ausgaben summieren sich immer zu 1.

Beispiel:

Logits (rohe Scores): [2.0, 1.0, 0.1]

Softmax:
e^2.0 / (e^2.0 + e^1.0 + e^0.1) = 7.39 / 10.49 = 0.70
e^1.0 / (e^2.0 + e^1.0 + e^0.1) = 2.72 / 10.49 = 0.26
e^0.1 / (e^2.0 + e^1.0 + e^0.1) = 1.11 / 10.49 = 0.04

Wahrscheinlichkeiten: [0.70, 0.26, 0.04]
Summe: 1.0 ✓

Wo wird Softmax verwendet?

• Klassifikation: “70% Katze, 26% Hund, 4% Vogel”
• Attention: Gewichte für jeden Token
• LLM Token-Vorhersage: Wahrscheinlichkeit für jedes Wort im Vokabular

Technischer Deep Dive

Formel

softmax(x_i) = e^(x_i) / Σ e^(x_j)

Mit Temperatur

softmax(x_i, T) = e^(x_i/T) / Σ e^(x_j/T)

T = 0.1: Sehr spitz (fast deterministisch)
T = 1.0: Standard
T = 2.0: Flacher (mehr Zufälligkeit)

PyTorch Beispiel

import torch
import torch.nn.functional as F

logits = torch.tensor([2.0, 1.0, 0.1])

# Standard Softmax
probs = F.softmax(logits, dim=0)
# tensor([0.6590, 0.2424, 0.0986])

# Mit Temperatur
temperature = 0.5
probs_cold = F.softmax(logits / temperature, dim=0)
# tensor([0.8360, 0.1420, 0.0220])  # Spitzer

Numerische Stabilität

# Problem: e^1000 = Overflow
# Lösung: Subtrahiere Maximum

def stable_softmax(x):
    x_max = x.max()
    exp_x = torch.exp(x - x_max)  # Verhindert Overflow
    return exp_x / exp_x.sum()