译自：http://willwolf.io/2017/04/19/deriving-the-softmax-from-first-principles/
本文的原始目标是探索softmax函数与sigmoid函数的关系。事实上，两者的关系看起来已经是遥不可及：一个是分子中有指数！一个有求和！一个分母中有1！。当然，最重要的是两个的名称不一样。
推导一下，很快就可以意识到，两者的关系可以回溯到更为泛化的条件慨率原理的建模框架（back out into a more general modeling framework motivated by the conditional probability axiom）。本文首先探索了sigmoid函数是一种特殊的softmax函数，以及各自在Gibbs distribution, factor products和概率图模型方面的理论支撑。接下来，我们继续展示概框架如何自然的扩展到canonical model class，如softmax回归，条件随机场（Conditional Random Fields）,朴素贝叶斯（Naive Bayes）以及隐马尔科夫模型(Hidden Markov Model)。
目标（Our Goal）
下图是一个预测模型（predictive model），其中菱形表示接收输入，并产生输出。输入向量
，有3种可能的输出
：。模型的目标在于在输入的条件下产生各种输出的概率：
。概率是位于闭区间[0,1]的一个实数值。
输入对输出的影响（How does the input affect the output?）
每个输入是4个数的列表（输入向量是4维），每一维度对各个可能的输出影响程度不同，这里我们称它为权重（weight）。4个输入数据乘以3个输出，代表了12个不同的权重。可能如下表所示：
生成输出（Producing an Output）
给定一个输入向量
，我们的模型将使用上述权重来生成输出。这里假设每个输入元素的影响是加性的（The effect of each input element will be additive.）。至于原因留待后续解释。
这些求和公式会对模型的输出结果产生贡献。最大的数将会胜出。例如
，若上式得到的结果是，则我们的模型会得到结论：最大可能产生c。
转换为概率（Converting to Probabilities）
之前说过，我们的目标在于获得概率：。其中
为黑体，为了表示任意的输入向量。当给定一个具体的输入向量时，我们用花体
表示，这样我们的目标可以更精确的表示为：
。至此，我们已经获得。为了将这些值转换成一个概率，也就是闭区间[0,1]之间的一个实数值，我们只需要用这些值的和去除原始值。 
最后我们得到一个合理的概率分布，所有值的和相加为1.
如果我们得到的值是负数怎么办？（What if our values are negative?）
如果其中的一个未经正则化的概率的值为负数，例如，
，那么所有的都会被破坏。该值对应的概率值也不会是一个合理的概率， 
因为
它不能落在[0,1]闭区间之内。
为了保证所有没有正则化的概率值为正数，我们必须用一个函数对这些值进行处理，以保证能够产生一个严格的正实数。简单来说，就是指数函数，我们选额欧拉数e作为底。这种选择的原理有待后续解释。
这样我们正则化后的概率，也就是合法的概率，如下式所示：
泛化表示为：
，也就是softmax函数。
与Sigmoid函数的联系（Relationship to the sigmoid）
如果说Softmax可以得到在多于两个（
）不同的输出上的一个合理的概率分布，那么sigmoid可以得到针对两种输出（
）的一个合理的概率分布。也就是说，sigmoid仅仅是softmax的一个特例。用定义来表示，假设模型只能产生两种不同的输出：
和
，给定输入，我们可以写出sigmoid函数如下：
然而，值得注意的是，我们只需要计算一种结果的产生概率，因为另外一种结果的产生概率可以由概率分布的性质得到：
。接下来，我们对
的产生概率的表示进行扩展：
然后，对该分式的分子和分母都同时除以，得到：
最后，我们可以用该式代入求另一种结果的产生概率的式子中得到：
该等式是欠定的（underdetermined），由于等式中有多于1个的未知变量。如此说来，我们的系统可以有无穷多组解
。因此，我们对上式进行简单的修改，直接固定其中一个值。例如：
这就是sigmoid函数，最终，我们得到：
为什么这些未正则化概率值是求和得到（影响是加性的）？（Why is the unnormalized probability a summation?）
我们理所当然的认为canonical线性组合的语义是
。但是为什么先求和？
为了回答这个问题， 我们先复述一下我们的目标：给定输入，预测各种可能结果的产生概率，即
。接下来，我们重新看一下条件概率的定义式：
发现这个式子很难解释，我们对这个式子重新变化一下，以或则某些直觉：
得到的信息是：同时观测到A与B的值的概率，也就是A与B的联合概率，等于观测到A的概率乘以给定A观测到B的概率。
例如，假设生一个女孩的概率是0.55，而女孩喜欢数学的概率是0.88，因此，我们得到：
现在，我们对原始的模型输出，利用条件概率的定义式，进行重写：
值得注意的是，这里采用指数函数，以保证将每个未正则的概率值转换为一个严格概率值。技术上来讲，这个数字称为
，因为可能大于1，所以并非一个严格的概率，我们需要引入另一个项到我们的等式链中：
例如，我们的算术等式：
等式左边的项：
分子是一个严格的联合概率分布。
分母为观测到任意一个x值的概率，为1
等式右边的项：
分子是一个严格的正的未经归一化的概率值
分母是某个常数，以保证和为1。这里归一化项称为partition function。
知道了这些，我们可以对softmax等式中的分子进一步分解：
Lemma:若我们的输出函数softmax函数通过指数函数得到一个多个可能结果上的合理的条件概率分布，那么下述结论肯定成立：该softmax函数的输入（
）必须是原始输入元素
的加权求和模型。
上述Lemma成立的前提是我们首先接收这样的事实：
。从而引出来Gibbs distribution。
（二）Gibbs Distribution
Gibbs Distribution给出了一个结果集合上的未归一化的联合概率分布，类似于
，定义如下：
其中
定义了一个factor的集合。
Factor本质为满足下面两个条件的函数：（1）将随机变量作为输入，所有输入随机变量构成的列表称为scope；（2）针对每个可能的随机变量的组合值（即scope的叉积空间中的点），返回一个值。例如，scope为
的factor可能如下所示：
（三）Softmax regression
未完待续