TF默认将输入图像分类为某个类别的阈值是多少？
例如，假设我有3类0，1，2，和用于图像中的标签是独热编码，如下所示：[1, 0, 0]，这意味着该图像具有0类的标签。
现在，当模型在softmax之后输出这样的预测时：[0.39, 0.56, 0.05]TF是否使用0.5作为阈值，因此它预测的类别是1类？
如果所有预测都低于0.5，如[0.33, 0.33, 0.33]TF会说结果如何，该怎么办？
是否有任何方法可以指定一个新的阈值（例如0.7）并确保TF表示如果没有任何类别预测高于该阈值，则预测是错误的？
在网络不确定类的情况下，该逻辑是否还会延续到推理阶段，否则它将拒绝对图像进行分类？
当模型在softmax之后输出这样的预测时：
[0.39, 0.56, 0.05]TF是否使用0.5作为阈值，因此它预测的类别是1类？
不。这里没有任何门槛。Tensorflow（以及其他任何框架）将只获取最大的一个（argmax）；1即使概率输出为，此处的结果（类）也将相同[0.33, 0.34, 0.33]。
您似乎错误地认为，概率值0.5在3类分类问题中具有某些特殊意义。它没有：0.5的概率值仅在二进制分类设置中才是“特殊的” （就此而言，是平衡的）。在n-class设置中，相应的“特殊”值是1/n（此处为0.33），根据定义，在概率向量中总会有一些条目大于或等于该值。
如果所有预测都低于0.5，如
[0.33, 0.33, 0.33]TF会说结果如何，该怎么办？
正如已经暗示的那样，在n> 2的n类问题中，所有概率都低于0.5的情况并不奇怪或令人意外。
现在，如果所有概率恰好相等，如您所展示的示例中所示（尽管在实践中极不可能，但是至少在理论上，这个问题是正确的），理想情况下，这种联系应该随机解决（即随机选择一个类） ）; 实际上，由于通常通过argmaxNumpy方法处理此阶段，因此预测将是头等舱（即class 0），这不难证明：
import numpy as np
x = np.array([0.33, 0.33, 0.33])
np.argmax(x)
# 0
由于Numpy如何处理此类情况-从argmaxdocs中：
在多次出现最大值的情况下，返回对应于第一次出现的索引。
下一个问题：
有没有办法指定一个新的阈值，例如0.7，并确保TF表示如果没有类别预测高于该阈值，则预测是错误的？
不在Tensorflow（或任何其他框架）本身中，但这总是可以在推理过程中的后处理阶段完成：无论分类器实际返回什么，总是可以添加一些额外的逻辑，从而每当最大概率值小于阈值时，您的系统（即您的模型加上后处理逻辑）都会返回类似“我不知道/不确定/我无法回答”的信息。但这又是Tensorflow（或使用的任何其他框架）和模型本身的外部，它只能在推断期间使用，不能在推断期间使用 在训练过程中（无论如何，在训练过程中这没有意义，因为在训练过程中仅使用预测的课堂概率，而不是硬课堂）。
实际上，几年前，我们已经在一个玩具项目中实现了这样的后处理模块，该模块是一种在线服务，可以根据图像对狗的比赛进行分类：当模型返回的最大概率小于阈值时（就是这种情况） ，例如，当模型显示的是猫而不是狗的图像时，系统被编程为回答“您确定这是狗”这个问题，而不是被迫在模型中做出预测。预定义的狗比赛...
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句