log函数的功能

因为后面要说的softmax涉及数学公式，所以，先记录下为什么我们的一些公式里会用到了log函数。

斯坦福大学小教授原话是这样说的：

“log函数是单调函数，数学上，对原始数据取对数后进一步处理，远比直接在原始数据上取最大值要容易很多。”

说的很简单，但是背后的原理，依然值得我好奇，毕竟丢了数学很多年。

按照我自己的理解是：

Log对数函数，可以把乘法转变为加法，非线性变成线性的简化计算。

按照网络上资料的理解：

取对数后不会改变数据的性质和相对关系，但压缩了变量的尺度，数据更加平稳。

取对数作用主要有：

1、将乘法转成加法，缩小数据的绝对数值，方便计算。

例如，每个数据项的值都很大，许多这样的值进行计算可能对超过常用数据类型的取值范围，这时取对数，就把数值缩小了，例如，e^15=？很难计算对吗？就算计算出来，值也很大对吗？但是，取对数以后就变成了loge^15 = 15*loge，乘法变加法，数值也缩小了。

2、某些情况下，在数据的整个值域中的不同区间的差异会带来不同的影响。

从log函数的图像可以看到，自变量x的值越小，函数值y的变化越快。例如，A出现频率为500，B为200，C出现频率为800，而D为500，A和B，C和D的差距都是300，但是log500-log200 > log800 - log500，也就是说，对于数据小的差异的敏感程度比数值大的差异敏感度更高。

这也是符合生活常识的，例如对于价格，买个家电，如果价格差距300元，就很大程度影响你的判断了，但是买汽车时相差300元你就会忽略了。

3、在经济学中，常常取自然对数再做回归。

4、消除异方差。大体意思，保证随机误差不会随着响应变量而增加，即拥有相同的方差。

当然，如果数据集中有负数当然就不能取对数了。

总之，数学知识还是需要了解多一点，这样才能更好理解这些神经网络的公式在做什么。

最后贴一张，log likelihood(似然函数)的公式。

log函数的功能