python - 如何对多个模型的输出执行 SoftMax？

我希望对 8 个类别进行分类。

我没有构建一个 8 类分类器，而是构建了 8 个二元分类器。每个二元分类器将一个类别与其他三个类别区分开来。例如，（0 vs 1+2+3+4+5+6+7）和（1 vs 0+2+3+4+5+6+7）等

如何运行一个SoftMax函数来识别哪个分类器以最高的置信度预测了“0 类”？

任何人都可以帮助代码吗？

标签： pythontensorflowdeep-learning

我写了一个不同的图表

现在让我们看看你有什么，看看你是否需要一个softmax。

首先，我的假设是您的分类器完全相同。

假设您通过模型推送记录，您会得到以下信息

P0=0.4 P_NOT_0=P1+P2+P3=0.6

P1=0.3 P_NOT_1=P0+P2+P3=0.7

P2=0.2 P_NOT_2=P0+P1+P3=0.8

P3=0.1 P_NOT_3=P0+P1+P2=0.9

您可能认为我“伪造”了数字以使 P0+P1+P2+P3=1，但我没有。没有其他可能的输出。

如果你不相信我，就这样做。为 P0 选择一个值并在所有公式中替换它。然后对 P1、P2 和 P3 执行相同的操作。您会看到，除非 P0+P1+P2+P3=1，否则您无法使所有公式都为真。

基本上如果所有的分类器都相同，那么所有公式中P0、P1、P2和P3的值都是相同的。

现在，回到你的问题。您不需要 softmax，因为 P1+P2+P3+P4 已经标准化。

我不知道你在做什么，但如果你只是在做一个多类分类模型，为什么不每个类都有一个输出，而不是最后使用 softmax？

您仍然需要帮助编写代码吗？

@andrey（在评论中）也带来了一些好处。首先，总是有一个错误，其次，如果您使用 sigmoid 作为每个分类器的输出，它们并不是真正的概率，但这个想法仍然适用。