CNN多类网络

Question

当我的CNN多类网络在不属于图片的情况下输出类似[0.1, 0,1]的内容时应该采取什么方法 任何班级对多个类使用softmax和categorical_crossentropy会给我输出总计为1的输出，所以仍然不是我想要的。 我是神经网络的新手，很抱歉提出这个愚蠢的问题，并在此先感谢您的帮助。

Answer 1

我认为您会考虑贝叶斯学习。首先，谈论不确定性。

例如，给定几张狗品种的图片作为训练数据（当用户上传他的狗的图片时），假设的网站应以很高的置信度返回预测。但是，如果用户上传猫的照片并要求网站确定狗的品种，应该怎么办？

以上是分发测试数据的示例。该模型已在不同品种的狗的照片上经过训练，并且（希望）学会了很好地区分它们。但是该模型以前从未见过猫，因此在训练模型的数据分布范围之外还可以看到猫的照片。这个说明性示例可以扩展到更严格的设置，例如具有诊断系统从未见过的结构的MRI扫描，或者从未培训过自动驾驶转向系统的场景。

在这种情况下，模型的可能期望行为将是返回预测（试图推断远离我们观察到的数据的距离），但是返回带有点信息位于数据分布之外的附加信息的答案。我们希望我们的模型具有一定数量的数量，这些数量可以通过这种输入传达高水平的不确定性（或者，传达低可信度）。

然后，当它们也适用于分类任务并为类（狗，猫...）产生不确定性时，我想您可以简要阅读this paper。从本文可以将您的发现扩展到使用本文的应用程序，我想您会找到想要的。