引言

上一节介绍了最大熵原理与指数族分布之间的关系，即给定基于样本作为约束条件的情况下，熵最大的概率分布是指数族分布。本节将介绍最大熵原理与$softmax$函数之间的关联关系。

符号定义

已知一个数据集合$Data$，该集合共包含两部分：

• 样本：描述某事物具体性质的信息；
• 标签：根据样本特征得到的结论信息；

示例：
某样本包含3个样本特征：圆脸、长胡子、尖爪
对应的标签包含3个标签特征：是猫、不是狗、不是鸭

基于上述示例，对样本集合中的元素进行抽象表示：

• 定义$Data$中共包含$N$对样本、标签；

• 样本集合表示为$\mathcal{X}$，任意一个样本表示为$x^{(k)}(k=1,2,\cdots ,N)$。则有：
  X = { x ( 1 ) , x ( 2 ) , ⋯   , x ( N ) } \mathcal X = \{x^{(1)},x^{(2)},\cdots,x^{(N)}\} X={x(1),x(2),⋯,x(N)}

• 标签集合表示为$\mathcal{Y}$，一个标签表示为$y^{(k)}(k=1,2,\cdots ,N)$。则有：
  Y = { y ( 1 ) , y ( 2 ) , ⋯   , y ( N ) } \mathcal Y = \{y^{(1)},y^{(2)},\cdots,y^{(N)}\} Y={y(1),y(2),⋯,y(N)}

• 每一个样本都对应一个标签，将一对样本标签定义为$s^{(k)}$：
  $$s^{(k)}=(x^{(k)},y^{(k)})(k=1,2,\cdots ,N)$$

• 任意样本$x^{(k)}(k=1,2,\cdots ,N)$均包含$i$个样本特征。即：
  $$x^{(k)}={\left(\begin{array}{c}{x}_1^{(k)},x_2^{(k)},\cdots x_i^{(k)}\end{array}\right)}^T$$

• 任意样本$y^{(k)}(k=1,2,\cdots ,N)$均包含$j$个标签特征。即：
  $$y^{(k)}={\left(\begin{array}{c}{y}_1^{(k)},y_2^{(k)},\cdots y_j^{(k)}\end{array}\right)}^T$$

• 样本集合与标签集合表示如下：
  $$\mathcal{X}=\left(\begin{array}{c}{x}_1^{(1)}{x}_1^{(2)}\cdots x_1^{(N)}\\ x_2^{(1)}{x}_2^{(2)}\cdots x_2^{(N)}\\ ⋮⋮⋮\\ x_i^{(1)}{x}_i^{(2)}\cdots x_i^{(N)}\end{array}\right)\mathcal{Y}=\left(\begin{array}{c}{y}_1^{(1)}{y}_1^{(2)}\cdots y_1^{(N)}\\ y_2^{(1)}{y}_2^{(2)}\cdots y_2^{(N)}\\ ⋮⋮⋮\\ y_j^{(1)}{y}_j^{(2)}\cdots y_j^{(N)}\end{array}\right)$$

• $\mathcal{X},\mathcal{Y},Data$的样本空间分别表示如下：
  $$\begin{gathered} {\mathcal{S}}_{\mathcal{X}}=(x_1,x_2,\cdots ,x_i{)}^T \\ {\mathcal{S}}_{\mathcal{Y}}=(y_1,y_2,\cdots ,y_j{)}^T \\ {\mathcal{S}}_{Data}=(x_1,x_2,\cdots ,x_i;y_1,y_2,\cdots ,y_j{)}^T \end{gathered}$$

• 组合概念：为了简化理解，将样本空间${\mathcal{S}}_{\mathcal{X}}$中的每一维度$x_q{\mid }_{q=1}^i$视为伯努利分布，即：
  $$x_q=\{\begin{array}{l}1if满足x_q描述的既定事实\\ 0otherwise\end{array}$$
  同理，$y_s{\mid }_{s=1}^j$也设定为：
  $$\begin{gathered} y_s=\{\begin{array}{l}1if满足y_s描述的既定事实\\ 0otherwise\end{array} \\ \sum _{s=1}^j{y}_s=1 \end{gathered}$$
  基于上述假设，我们可以 将$Data$中的所有样本划分为若干个组合。某一种组合示例：
  $$\begin{gathered} {\mathcal{S}}_{\mathcal{X}}^{(l)}=(0,1,0,\cdots ,1,0) \\ {\mathcal{S}}_{\mathcal{Y}}^{(l)}=(0,1,0,\cdots ,0,0) \\ {\mathcal{S}}_{Data}^{(l)}=(0,1,0,\cdots ,1,0;0,1,0,\cdots ,0,0) \end{gathered}$$
  统计满足组合${\mathcal{S}}_{Data}^{(l)}$样本的数量，就可以 使用经验概率分布 计算该数据集合中${\mathcal{S}}_{Data}^{(l)}$的 概率密度函数：
  $$\hat{p}(s^{(k)}={\mathcal{S}}_{Data}^{(l)})=\hat{p}({\mathcal{S}}_{Data}^{(l)})=\frac{count(s^{(k)}={\mathcal{S}}_{Data}^{(l)})}{N}$$

假设一共存在$m$个组合，则有：
$$\sum _{l=1}^m\hat{p}({\mathcal{S}}_{Data}^{(l)})=1$$

基于多维数据集合的经验概率分布

回顾：经验概率分布

经验概率分布本质上表示 特定事件发生的次数占总体样本发生的比率，是 概率的频率定义 的一种表达。这里使用$\hat{p}(x)$表示$x$的经验概率分布。它的具体公式表示如下：
$$\hat{p}(x^{(j)}=x_i)=\frac{count(x_i)}{N}$$
其中，$x^{(j)}$表示样本集合$\mathcal{X}$内的某一个样本，并且$\mathcal{X}$中包含$N$个样本，而$x_i$表示样本$x^{(j)}$能够选择的特征；
该经验分布公式仅表示样本$x^{(j)}$是‘一维随机变量’时的情况，即只能选择一个值。

上述公式表示的含义为：样本集合$\mathcal{X}$中的某样本$x^{(j)}$的值等于$x_i$的概率结果。
$\hat{p}(x^{(j)}),\hat{p}(x^{(j)}=x_i)$和$\hat{p}(x_i)$在表达取决于$\sum$中连加的次数，如果次数是组合数量，它们之间没有区别，如果次数是‘样本数量’，第一个和后两个之间是有区别的。

多维数据的经验概率分布

事实上经验概率分布并非只能存在于1维数据中，多维数据同样可以使用经验概率分布：

示例：
包含数据数量$N=5$的某数据集${\mathcal{X}}^{\prime }$，具体表示如下：

	身高($x_1$)	性别($x_2$)
$x^{(1)}$	170	1
$x^{(2)}$	180	1
$x^{(3)}$	170	0
$x^{(4)}$	160	0
$x^{(5)}$	170	1

如果想要计算$(x_1=170,x_2=1)$经验概率分布的概率密度函数$\hat{p}(x_1=170,x_2=1)$，具体计算方法如下：
$$\hat{p}(x_1=170,x_2=1)=\frac{count(x_1=170,x_2=1)}{N}=\frac{2}{5}=0.4$$
如果想要计算基于数据集${\mathcal{X}}^{\prime }$的经验概率分布$\hat{P}(x_1,x_2)$：
在本篇中，‘概率分布’$P$与‘概率密度函数’$p$是区分开的。
$$\hat{P}(x_1,x_2)=\left(\begin{array}{c}\hat{p}(x_1=170,x_2=1)\\ \hat{p}(x_1=180,x_2=1)\\ \hat{p}(x_1=170,x_2=0)\\ \hat{p}(x_1=160,x_2=0)\end{array}\right)=\left(\begin{array}{c}\frac{2}{5}\\ \frac{1}{5}\\ \frac{1}{5}\\ \frac{1}{5}\end{array}\right)=\left(\begin{array}{c}0.4\\ 0.2\\ 0.2\\ 0.2\end{array}\right)$$

基于上述示例，我们可以使用经验概率方法求解多维随机变量的概率。样本$x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)}$的概率分布表示如下：
${\mathcal{S}}_{\mathcal{X}}^{(l)}$表示样本$x$维度组合中的一种情况。
$$\hat{P}(x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)})=\hat{P}({\mathcal{S}}_{\mathcal{X}}^{(l)})=\frac{count(x_1,x_2,\cdots ,x_i)}{N}$$
同理，一对样本标签$s^{(k)}\to (x^{(k)},y^{(k)})$，该$s^{(k)}=S_{Data}^{(l)}$的概率分布表示如下：
$$\begin{array}{rl}\hat{P}(x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)})& =\hat{P}(S_{Data}^{(l)})\\ & =\frac{count(s^{(k)}={\mathcal{S}}_{Data}^{(l)})}{N}\\ & =\frac{count(x_1,x_2,\cdots ,x_i,y_1,y_2,\cdots ,y_j)}{N}\end{array}$$
这两个公式下面推导会用到。

$\mathcal{S}oftmax$函数

$Softmax$函数又称归一化指数函数，它的本质目的是将多分类结果以概率的形式展现出来，具体公式表示如下：
$$Softmax(y_i)=\frac{e^{y_i}}{{\sum }_{i=1}^k{e}^{y_i}}$$

其中，$y=(y_1,y_2,\cdots ,y_k)$表示经过运算后得到的 预测向量结果 (例如神经网络的输出层)，向量中的每个元素$y_i(i=1,2,\cdots ,k)$表示维度信息。

观察上面的函数，它有许多特点：

• 无论式分母还是分子，它们均有下界——0，即分子、分母大于零恒成立；
• 分子数值是分母的一部分——结合特点1，$Softmax(y_i)$小于1恒成立。

但从函数性质来看，用这个函数表示概率确实是个不错的选择。
核心问题：
但为什么要使用该函数去表示多分类结果的概率分布，换句话说，表示多分类结果的概率分布为什么使用$softmax$函数，而不是其他函数，是否存在某种理论支撑？

$Softmax$函数的推导过程

上述的理论支撑是真实存在的，就是最大熵原理。下面将使用最大熵原理去论证，$softmax$函数的映射结果为什么可以作为多分类结果的概率分布。

求解目标

与最大熵原理推导指数族分布的思路相同，都是求解 基于上述数据集合构成的约束条件 基础上，求解 能够使熵达到最大的概率分布(概率密度函数) 与$Softmax$之间的关联关系。

但由于数据集合中标签的存在，我们不能只求解样本集合$\mathcal{X}$的概率分布，而是求解给定某一样本 $x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)}$条件下，对应标签$y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}$条件概率的概率密度函数$p(y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}\mid x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)})$。

因此，我们在基于最大熵原理的推导过程中不能使用仅包含$\mathcal{X}$一个变量的信息熵，而是包含条件变量的条件熵作为目标函数。

最大熵原理——条件熵

条件熵的表达形式如下：
$$\begin{array}{rl}\mathcal{H}(\mathcal{Y}\mid \mathcal{X})& =-\sum _{x^{(k)}\in \mathcal{X}}p(x^{(k)})\cdot \mathcal{H}(\mathcal{Y}\mid x^{(k)})\\ & =-\sum _{x^{(k)}\in \mathcal{X}}p(x^{(k)})\cdot \sum _{y^{(k)}\in \mathcal{Y}}p(y^{(k)}\mid x^{(k)})\log p(y^{(k)}\mid x^{(k)})\\ & =-\sum _{y^{(k)}\in \mathcal{Y},x^{(k)}\in \mathcal{X}}p(x^{(k)})\cdot p(y^{(k)}\mid x^{(k)})\log p(y^{(k)}\mid x^{(k)})\end{array}$$

使用条件概率公式，对$P(y^{(k)}\mid x^{(k)})$展开：
$$P(y^{(k)}\mid x^{(k)})=\frac{P(x^{(k)},y^{(k)})}{P(x^{(k)})}(k=1,2,\cdots ,N)$$

$P(y^{(k)}\mid x^{(k)})$是 我们需要使用最大熵原理求解的结果。 但由于数据集合$Data$是给定的，我同样可以先使用经验概率分布分别得到$\hat{P}(x^{(k)},y^{(k)}),\hat{P}(x^{(k)})$的结果：
将上面‘经验分布’的结果抄一下;

$$\begin{array}{rl}\hat{P}(x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)})& =\hat{P}({\mathcal{S}}_{\mathcal{X}}^{(l)})\\ & =\frac{count(x_1,x_2,\cdots ,x_i)}{N}\\ \hat{P}(x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)})& =\hat{P}(S_{Data}^{(l)})\\ & =\frac{count(s^{(k)}={\mathcal{S}}_{Data}^{(l)})}{N}\\ & =\frac{count(x_1,x_2,\cdots ,x_i,y_1,y_2,\cdots ,y_j)}{N}\end{array}$$

从而可以先求出经验分布$\hat{P}(y^{(k)}\mid x^{(k)})$：
$$\hat{P}(y^{(k)}\mid x^{(k)})=\frac{\hat{P}(x^{(k)},y^{(k)})}{\hat{P}(x^{(k)})}=\frac{\hat{P}(x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)})}{\hat{P}(x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)})}$$

此时已经将经验分布$\hat{P}(y^{(k)}\mid x^{(k)})$求解完成，但我们的求解目标是熵最大的概率分布$P(y^{(k)}\mid x^{(k)})$。基于这两种分布的相似性，我们希望这两个概率分布的期望相等。
因此，令$f(\mathcal{X},\mathcal{Y})$是关于$\mathcal{X},\mathcal{Y}$的任意函数，则有：
$${\mathbb{E}}_{\hat{P}(\mathcal{Y}\mid \mathcal{X})}\left[f(\mathcal{X},\mathcal{Y})\right]={\mathbb{E}}_{P(\mathcal{Y}\mid \mathcal{X})}\left[f(\mathcal{X},\mathcal{Y})\right]$$
也可以写成如下形式：
$$\sum _{x^{(k)}\in \mathcal{X},y^{(k)}\in \mathcal{Y}}\hat{p}(y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}\mid x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)})\left[f(x^{(k)},y^{(k)})\right]=\sum _{x^{(k)}\in \mathcal{X},y^{(k)}\in \mathcal{Y}}p(x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)})\left[f(x^{(k)},y^{(k)})\right]$$
为了保证推导过程的泛化性，给 每一个组合独立地设计一个函数，从而构成一个函数向量。此时，经验概率的期望结果${\mathbb{E}}_{\hat{P}(\mathcal{X},\mathcal{Y})}\left[f(\mathcal{X},\mathcal{Y})\right]$表示为：
注意函数f的下标：
$$\sum _{x^{(k)}\in \mathcal{X},y^{(k)}\in \mathcal{Y}}\hat{p}(y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}\mid x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)})\left[f_l(x^{(k)},y^{(k)})\right](l=1,2,\cdots ,m)$$
如果将$m$种组合对应的样本、标签全部分开，上述公式可以表达为：
$$\begin{gathered} {\mathbb{E}}_l=\sum _{x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}\hat{p}(y^{(k)}\mid x^{(k)})\left[f_l(x^{(k)},y^{(k)})\right] \\ {\mathbb{E}}_{\hat{P}(\mathcal{X},\mathcal{Y})}\left[f(\mathcal{X},\mathcal{Y})\right]=\sum _{l=1}^m{\mathbb{E}}_l \end{gathered}$$

观察公式${\mathbb{E}}_l$，由于$f_l(x^{(k)},y^{(k)})$函数是定义的函数，是已知项；经验分布$\hat{p}(y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}\mid x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)})$可以通过 数据集合 求解。因此，${\mathbb{E}}_l$可以直接求解。定义求解结果为${\Delta }_l$：
$${\mathbb{E}}_l={\Delta }_l$$

至此，待求解分布$P(x^{(k)},y^{(k)})$与经验概率分布$\hat{P}(x^{(k)},y^{(k)})$的期望相等转化为如下公式：
将双方期望按照‘组合’分成对应的$m$份，每一份对应相等。
$${\Delta }_l=\sum _{x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}p(y^{(k)}\mid x^{(k)})\left[f_l(x^{(k)},y^{(k)})\right](l=1,2,\cdots ,m)$$
并将该式子作为 1个约束条件，一共包含$m$个约束条件。同时，$P(x^{(k)},y^{(k)})$依然要满足概率分布的定义：
$$\sum _{{\mathcal{S}}_{\mathcal{Y}}^{(l)}\in {\mathcal{S}}_{\mathcal{Y}}}P(y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}\mid x^{(k)}={\mathcal{S}}_{\mathcal{X}})=1$$
至此，我们共得到$m+1$个约束条件。下面使用最大熵原理求解概率分布。

求解过程

使用最大熵原理求解条件概率分布$P(\mathcal{Y}\mid \mathcal{X})$本质熵任然是最优化问题。因此，依然使用拉格朗日乘数法解决该问题。

• 定义 目标函数：目标函数自然是最大化条件熵：
  这里将$p(x^{(k)})$替换为$\hat{p}(x^{(k)})$：
  $$\begin{array}{rl}\max \mathcal{H}(\mathcal{Y}\mid \mathcal{X})& =\max -\sum _{y^{(k)}\in \mathcal{Y},x^{(k)}\in \mathcal{X}}p(x^{(k)})\cdot p(y^{(k)}\mid x^{(k)})\log p(y^{(k)}\mid x^{(k)})\\ & =\min \sum _{y^{(k)}\in \mathcal{Y},x^{(k)}\in \mathcal{X}}\hat{p}(x^{(k)})\cdot p(y^{(k)}\mid x^{(k)})\log p(y^{(k)}\mid x^{(k)})\end{array}$$
• $m+1$个约束条件：
  $$\begin{gathered} {\Delta }_l=\sum _{x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}p(y^{(k)}\mid x^{(k)})\left[f_l(x^{(k)},y^{(k)})\right](l=1,2,\cdots ,m) \\ \sum _{{\mathcal{S}}_{\mathcal{Y}}^{(l)}\in {\mathcal{S}}_{\mathcal{Y}}}P(y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}\mid x^{(k)}={\mathcal{S}}_{\mathcal{X}})=1 \end{gathered}$$

构建拉格朗日函数：
$$\mathcal{L}(P(\mathcal{Y}\mid \mathcal{X}),\lambda ,{\lambda }_l{\mid }_{l=1}^m)=\sum _{x^{(k)}\in \mathcal{X},y^{(k)}\in \mathcal{Y}}\hat{p}(x^{(k)})p(y^{(k)}\mid x^{(k)})\log p(y^{(k)}\mid x^{(k)})+\lambda (1-\sum _{{\mathcal{S}}_{\mathcal{Y}}^{(l)}\in {\mathcal{S}}_{\mathcal{Y}}}P(y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}\mid x^{(k)}={\mathcal{S}}_{\mathcal{X}}))+\sum _{l=1}^m{\lambda }_l({\Delta }_l-\sum _{x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}p(y^{(k)}\mid x^{(k)})\left[f_l(x^{(k)},y^{(k)})\right])$$

• 对$P(\mathcal{X},\mathcal{Y})$求解偏导：
  $$\frac{\partial \mathcal{L}(P(\mathcal{Y}\mid \mathcal{X}),\lambda ,{\lambda }_l{\mid }_{l=1}^m)}{\partial P(\mathcal{Y}\mid \mathcal{X})}=\sum _{x^{(k)}\in \mathcal{X},y^{(k)}\in \mathcal{Y}}\hat{p}(x^{(k)})[p(y^{(k)}\mid x^{(k)})\cdot \frac{1}{p(y^{(k)}\mid x^{(k)})}+\log p(y^{(k)}\mid x^{(k)})]-\sum _{{\mathcal{S}}_{\mathcal{Y}}^{(l)}\in {\mathcal{S}}_{\mathcal{Y}}}\lambda +\sum _{l=1}^m{\lambda }_l(-\sum _{x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}\hat{p}(x^{(k)})f_l(x^{(k)},y^{(k)}))$$

整理得：
$$\frac{\partial \mathcal{L}(P(\mathcal{Y}\mid \mathcal{X}),\lambda ,{\lambda }_l{\mid }_{l=1}^m)}{\partial P(\mathcal{Y}\mid \mathcal{X})}=\sum _{x^{(k)}\in \mathcal{X},y^{(k)}\in \mathcal{Y}}\hat{p}(x^{(k)})[1+\log p(y^{(k)}\mid x^{(k)})]-\sum _{l=1}^m\lambda -\sum _{l=1}^m{\lambda }_l\sum _{x^{(k)}={\mathcal{S}}_{\mathcal{X}}^{(l)},y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}\hat{p}(x^{(k)})f_l(x^{(k)},y^{(k)})$$

令该式为0：
$$\begin{array}{rl}p(y^{(k)}\mid x^{(k)})& =e^{{\lambda }_0-1}{e}^{{\sum }_{l=1}^m{\lambda }_l{f}_l(x^{(k)},y^{(k)})}\\ & =\frac{e^{{\sum }_{l=1}^m{\lambda }_l{f}_l(x^{(k)},y^{(k)})}}{e^{1-{\lambda }_0}}\end{array}$$

可以将${\sum }_{l=1}^m{\lambda }_l{f}_l(x^{(k)},y^{(k)})$看成两个向量之间的乘法形式：
$$\sum _{l=1}^m{\lambda }_l{f}_l(x^{(k)},y^{(k)})=({\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_m)\cdot \left(\begin{array}{c}{f}_1(x^{(k)},y^{(k)})\\ f_2(x^{(k)},y^{(k)})\\ ⋮\\ f_m(x^{(k)},y^{(k)})\end{array}\right)={\Lambda }^{T}f(x^{(k)},y^{(k)})$$
那么，上述式子表示如下：
$$p(y^{(k)}\mid x^{(k)})=\frac{e^{{\Lambda }^T\cdot f(x^{(k)},y^{(k)})}}{e^{1-{\lambda }_0}}$$

又由于概率密度积分的定义：
$$\sum _{y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}p(y^{(k)}\mid x^{(k)})=1$$

因此：
$$\begin{array}{r}\sum _{y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}\frac{e^{{\Lambda }^T\cdot f(x^{(k)},y^{(k)})}}{e^{1-{\lambda }_0}}=1\\ e^{1-{\lambda }_0}=\sum _{y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}{e}^{{\Lambda }^T\cdot f(x^{(k)},y^{(k)})}\end{array}$$

最终：给定样本$x^{(k)}$条件下，$y^{(k)}$的概率密度函数为：
$$p(y^{(k)}\mid x^{(k)})=\frac{e^{{\Lambda }^T\cdot f(x^{(k)},y^{(k)})}}{{\sum }_{y^{(k)}={\mathcal{S}}_{\mathcal{Y}}^{(l)}}{e}^{{\Lambda }^T\cdot f(x^{(k)},y^{(k)})}}$$

即$Softmax$激活函数。

总结

推导过程有一点崩了~，但是我们需要知道$Softmax$函数自身是怎么得到的，或者说为什么能用最大熵的方式推导出来，哪些步骤影响它得到这个结果：

核心：样本组成：它是一个包含样本、标签两种量的数据集合，由于样本、标签之间的关联关系导致我们选择 条件熵作为最大熵原理 的目标函数。

其次，仍然是样本组成：标签自身存在多种类别，从而导致这些标签的后验概率分布相加结果是1，这也 直接影响到$Softmax$函数结果分母的构成。

和指数族分布推导过程相比，我们知道了函数向量是从组合中得到的结果，相比之前泛化性的解释更加具有实际意义。

下一节继续回归指数族分布。

相关参考：
王木头学科学——最大熵