소프트맥스: 결과를 확신으로 바꾸기

소프트맥스(Softmax)는 여러 개의 점수(숫자)를 확률로 바꿔주는 함수예요. 모든 값이 0~1 사이가 되고, 전부 더하면 정확히 1이 돼요. 그래서 '확률'처럼 읽을 수 있어요.

점수를 한 번 키운 뒤(예: $e^Z$), 그 합($\Sigma$)으로 나누면 확률이 돼요. 이렇게 하면 가장 큰 점수가 더욱 크게 부각되고 나머지는 상대적으로 작아져요. 1등과 2등의 차이가 원래보다 뚜렷해지는 거예요.

예: 점수 [3, 1, 0]을 키우면 [약 20, 2.7, 1]이고, 합은 약 23.7이에요. 이걸 합으로 나누면 [0.84, 0.11, 0.04]처럼 확률이 됩니다. 3이 1보다 3배인데, 확률로는 약 8배 차이가 나요!

왜 '키운 뒤 나누기'인가요? 점수 차이를 뚜렷하게 만들기 위해서예요. 차이가 작아도 키우고 나누면 확률 차이가 커져서, '가장 그럴듯한 답'을 골라내기 쉬워요.

분류 문제의 마지막 층에서 거의 항상 소프트맥스를 써요. '강아지 70%, 고양이 25%, 새 5%'처럼 각 클래스별 확률을 구할 수 있어서, 모델이 얼마나 확신하는지도 알 수 있어요.

학습할 때 소프트맥스와 교차 엔트로피 손실을 함께 쓰면 기울기가 깔끔하게 나와서 학습이 안정적이에요. '정답 확률을 높이고 나머지를 낮추는' 방향으로 자연스럽게 학습돼요.

'모든 값이 양수 + 합이 1'이면 확률 분포의 정의와 맞아요. 그래서 통계적으로 가장 자연스러운 확률 변환 방법이에요.

이미지 분류: 마지막 층 점수에 소프트맥스를 적용해 각 클래스 확률(강아지 70%, 고양이 25%, 새 5% 등)을 구해요. 가장 높은 확률이 최종 답이에요.

번역·챗봇: 다음 단어를 고를 때, 후보 단어들에 대한 점수를 소프트맥스로 확률로 바꾸고, 그 확률에 따라 단어를 뽑아요. 높은 확률이 자주 뽑히지만 낮은 확률도 가끔 뽑혀서 다양한 문장이 나와요.

번역에서 집중할 단어 정하기: '어느 단어에 얼마나 집중할지' 관련도 점수에 소프트맥스를 씌워 가중치(확률)로 만들어요. 이 가중치로 가중 평균하면 '집중할 부분'이 강조돼요. 검색에서 '어느 문서를 더 쓸지' 정할 때도 비슷해요.

스팸 필터: '스팸일 확률 / 정상일 확률'을 소프트맥스로 구한 뒤, 더 높은 쪽으로 분류해요.

계산 순서: ① 점수(Z) 구하기 → ② 각 점수를 '키운 값'으로 바꾸기(문제에서는 3의 거듭제곱 사용) → ③ 키운 값들을 전부 더한 '합' 구하기 → ④ 각 키운 값을 합으로 나누면 확률(Y). 이 순서를 따르면 돼요.

빈 칸 찾기: Y가 빈 칸이면 '해당 키운 값 ÷ 합'으로 구해요. 키운 값이 빈 칸이면 '확률 × 합'으로 역계산하고, Z가 빈 칸이면 키운 값에서 역으로 구해요. 합이 빈 칸이면 키운 값들을 전부 더하면 돼요.

검산: 계산이 끝나면 Y의 모든 값이 0~1 사이인지, 전부 더하면 1이 되는지 확인하세요. 1이 안 되면 어딘가 계산이 틀린 거예요. 문제에서 '3의 거듭제곱'을 쓰는지 꼭 확인하세요.