Machine learning 仅使用最可能的类别时是否使用softmax？

我有一个17个班级的深度学习分类问题，我在Pytorch工作。该体系结构包括在线性层之后实现的交叉熵损失

我相信，通常情况下，计算softmax激活并解释为相应输出类的概率。但是softmax是一个单调函数，似乎，如果我只想要最可能的类，我可以简单地选择线性层之后得分最大的类，而不需要softmax

鉴于softmax是分类问题中广泛使用的默认激活，我想知道我是否遗漏了一些重要的东西。有人能指引我吗

请注意，我用谷歌搜索了大量的网站，但据我所知，没有一个网站回答这个基本问题（尽管提供了很多信息）

---

谢谢

你说得对你不需要softmax来预测最可能的课程-你确实可以选择分数最高的课程

然而，您需要在训练时间内使用softmax来计算损失函数（交叉熵），因为它仅适用于类的概率分布。softmax转换保证网络的输出看起来确实像一个分布：所有分数都是正的，加起来等于1。如果它们不是正的，你就不能计算交叉熵，因为它涉及对数。如果分数总和不等于一（或任何其他常数），那么该模型可以通过使所有分数无限大来最小化损失，而不实际学习任何有用的东西

此外，在预测时，softmax也很有用，因为当您报告概率而不是分数时，您可以将其解释为置信度：例如，模型的预测准确率为98%

---

在某些情况下，它不是您感兴趣的最可能的类。例如，如果您进行信用评分，那么即使是低违约概率（例如20%）也可能高到足以拒绝贷款申请。在这种情况下，您需要查看概率本身，而不是最可能的类别，softmax有助于正确估计它们

可能会有帮助。谢谢，这些很有用。好的，谢谢。我将尝试添加它，看看它对收敛有什么影响。好的，这就是我想要的答案。事实证明，pytorch将softmax直接构建到交叉熵中，因此我不需要将其添加进去。如上所述，您仍然需要softmax以避免除以0