Các lượt nộp
    Danh sách bài
    Trang chủ
    Báo lỗi

    solution

    Đề bài: [Data Science] Chuẩn hóa posterior (log-sum-exp)

    Sau khi tính các log-score s0,…,sK−1s_0,\dots,s_{K-1}s0​,…,sK−1​ cho KKK lớp (chưa chuẩn hóa), xác suất hậu nghiệm được tính bằng softmax. Để ổn định số học, trừ giá trị lớn nhất trước khi lũy thừa:

    P(c)=exp⁡(sc−max⁡jsj)∑c′exp⁡(sc′−max⁡jsj)P(c) = \frac{\exp(s_c - \max_j s_j)}{\sum_{c'}\exp(s_{c'} - \max_j s_j)}P(c)=∑c′​exp(sc′​−maxj​sj​)exp(sc​−maxj​sj​)​

    In ra vector hậu nghiệm P(0),…,P(K−1)P(0),\dots,P(K-1)P(0),…,P(K−1).

    • Định dạng đầu vào:

      Dòng 1: KKK. Dòng 2: KKK log-score.

    • Ràng buộc đầu vào:

      1≤K≤1001 \le K \le 1001≤K≤100, ∣sc∣≤103|s_c| \le 10^3∣sc​∣≤103.

    • Định dạng đầu ra:

      Một dòng gồm KKK số thực, định dạng 2 chữ số thập phân, cách nhau bởi dấu cách.

    Ví dụ:

    Đầu vào:

    2
0 0

    Đầu ra:

    0.50 0.50

    Giải thích:

    Hai log-score bằng nhau -> hậu nghiệm đều = 0.50.

    Đang tải editor...