2D 소프트맥스 (axis 지정)

7번 softmax-v1 는 1D 벡터에만 작동했죠. 실전에선 배치 처리 가 필수 — (N, C) shape 로그릿 행렬의 각 행을 독립적으로 확률 분포로 바꿔야 합니다.

$\text{softmax-v1}(X, \text{axis})_{ij} = \frac{e^{X_{ij}}}{\sum_{k \text{ along axis}} e^{X_{ik}}}$

• axis=1 → 각 행을 확률 분포로 (일반적).
• axis=0 → 각 열을 확률 분포로.

수치 안정 트릭

1D 때와 동일. 축별 최댓값 을 빼고 지수 취하기:

x_shift = x - x.max(axis=axis, keepdims=True)
e = np.exp(x_shift)
return e / e.sum(axis=axis, keepdims=True)

keepdims=True 가 핵심 — 브로드캐스팅이 형태를 유지하게 해줍니다.

과제

함수 softmax-v1_2d(x, axis) 를 완성하세요.

• x shape (N, C), axis 정수 (0 또는 1).
• 반환: 같은 shape.
• 축 따라 합 = 1.

테스트 케이스

#	이름	검증
1	shape 보존	(4, 3) → (4, 3)
2	axis=1 행 합 = 1	result.sum(axis=1) ≈ 1
3	axis=0 열 합 = 1	result.sum(axis=0) ≈ 1
4	극단값 안정	큰 입력 (1e3)에서도 유한
5	1D-softmax-v1 와 일치	1행짜리 2D → 해당 행이 1D softmax-v1