Machine learning 如何在Caffe中为二进制分类器获取两个输出值（针对两个类中的每个类）？

我正在用LeNet网络作为二元分类器进行实验（是，否）。 用于测试的配置文件中的第一层和最后几层如下所示：

    layer {
      name: "data"
      type: "ImageData"
      top: "data"
      top: "label"
      include {
        phase: TEST
      }
      transform_param {
        scale: 0.00390625
      }
      image_data_param {
        source: "examples/my_example/test_images_labels.txt"
        batch_size: 1
        new_height: 128
        new_width: 128
      }
    }
...
    layer {
      name: "ip2"
      type: "InnerProduct"
      bottom: "ip1"
      top: "ip2"
      param {
        lr_mult: 1
      }
      param {
        lr_mult: 2
      }
      inner_product_param {
        num_output: 2
        weight_filler {
          type: "xavier"
        }
        bias_filler {
          type: "constant"
        }
      }
    }
    layer {
      name: "accuracy"
      type: "Accuracy"
      bottom: "ip2"
      bottom: "label"
      top: "accuracy"
    }
    layer {
      name: "loss"
      type: "SoftmaxWithLoss"
      bottom: "ip2"
      bottom: "label"
      top: "loss"
    }

对于测试，我将batch_size设置为1，因此我使用以下命令运行测试：

./build/tools/caffe test -model examples/my_example/lenet_test.prototxt -weights=examples/my_example/lenet_iter_528.caffemodel -iterations 200

我的目的是能够分别分析每个测试图像的结果。 目前，我获得了每个迭代的以下信息：

但是，由于我的网络中有两个输出，在测试时，我希望看到每个输出有两个单独的值：一个用于类“0”（“否”），另一个用于类“1”（“是”）。应该是这样的：

我应该如何修改测试配置文件以实现它？

您希望看到

“Softmax”

概率输出（而不仅仅是丢失）。
为此，您可以尝试使用带有两个

“top”

的

“SoftmaxWithLoss”

（我不能100%确定此选项是否完全可用/受支持）：

---

或者，如果前一种解决方案不起作用，则显式添加一个

“Softmax”

层：

layer {
  name: "prob"
  type: "Softmax"
  bottom: "ip2"
  top: "prob"
}

---

第一个解决方案不起作用，尽管第二个解决方案起作用。非常感谢@您能否更具体地说明第一个解决方案不起作用的原因？Shai，出现了一个错误，显示无法指定两个最大值。@evaluate OK。我想这项功能还没有被合并请不要编辑问题来询问新问题。发布一个新问题。如果你认为它们是相关的，你可以为上下文添加一个链接。此外，如果“上述问题已经解决”，你为什么不点击旁边的“v”图标来“接受”答案？为什么你声称“有时它是另外做的（首先是类1，然后是类0）”？这似乎是一个错误。你确定吗？你能复制它吗？如果是这样，您可能希望在BVLC/caffe github页面中报告此错误。

Batch 41, class 0 output: 0.755
Batch 41, class 1 output: 0.201

layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
  top: "prob" # add class probability output
}

layer {
  name: "prob"
  type: "Softmax"
  bottom: "ip2"
  top: "prob"
}