如何解决python中softmax损失函数计算时的溢出问题？

     def loss(self,X,y,reg):
        loss = 0.0
        dW = np.zeros_like(self.W)

        num_train = X.shape[0]
        num_class = self.W.shape[1]

        one_hot = np.zeros(shape = (num_train,num_class))
        y = y.astype('int64')
        one_hot[np.arange(0,num_train), y] = 1  

        Z = X.dot(self.W)
        Z_max = np.max(Z,axis = 1,keepdims = True) #Z_max = Z.max(1).reshape(num_train,1)
        Z = Z - Z_max  #max(1) get the maxmum of each row
        score_E = np.exp(Z)
        Sum = np.sum(score_E,axis = 1,keepdims = True)#score_E.sum(axis = 1).reshape(num_train,1)  # sum of each row
        A = score_E/Sum   #score of every class of each training_example
        A1 = np.where(A > 0.0000000001, A, 0.0000000001)
        loss += -np.sum(one_hot*np.log(A1))/num_train + 0.5 * reg * np.sum(self.W * self.W)
        dW += -np.dot(X.T, one_hot - A) / num_train + reg * self.W
        return loss,dW   

以上是我用python写的softmax的损失函数部分，但是在运行过程中发现输出里有时仍有这样的情况

我只对图片做了零均值化，没有归一化，但是Z = Z - Z_max 溢出就说不通啊，这是怎么回事，有没有大神解释？？

softmax你算的不对，公式你看下：https://www.cnblogs.com/liuyu124/p/7332476.html
它必然是0~1之间的，不可能溢出

e的x次方，若x较大结果会溢出的，所以一般对所有的x值同时减去x_max，保证结果不溢出。