Softmax CE 그래디언트

50번 Softmax CE 손실 을 logits 에 대해 미분하면 엄청나게 깔끔한 결과 가 나와요:

$\frac{\partial L}{\partial Z_{ij}} = \frac{1}{N} \big( \text{softmax-v1}(Z)_{ij} - \mathbb{1}[y_i = j] \big)$

softmax-v1 확률에서 one-hot 타깃을 빼주는 단일 벡터 연산. 역전파 구현의 가장 중요한 수식 중 하나.

왜 중요?

• 신경망 출력층 + softmax-v1 + CE 구현의 기본 블록.
• 매뉴얼 autograd 구현 시 자주 코딩함.
• softmax-v1 를 따로 계산한 다음 빼주기만 하면 돼 효율적.

과제

함수 softmax-v1_ce_grad(logits, y_true) 를 완성하세요.

• logits shape (N, C), y_true shape (N,) 정수.
• 반환: shape (N, C) — 평균 그래디언트 (N 으로 나눈 값).

테스트 케이스