Machine learning .预测返回的二进制结果，而不是百分比

你好，我编译了我的模型如下

model.compile（优化器='rmsprop'，loss='classifical\u crossentropy'，metrics=['accurity']）

我只是在做一个

打印（模型预测（测试张量））

返回

[[0.0.0.0.0.0.0.1.0.0.0.]

最后一层是softmax激活，所以不应该这样做

---

编辑：我也尝试过预测概率，但没有成功

理论上你是对的，它将无限接近1，但请记住，我们使用固定位的浮点数来表示它们。因此，在该值达到一定的ε1后，它将四舍五入。其他条目也会发生这种情况。因此，你得到的预测是100%有信心的

---

为什么你的模型会预测这一点？这可能是因为班级人数过多，所以他们变得非常自信。训练时间长，因此权重会饱和，尤其是在没有任何规则化的情况下。

所有分类都是基于大约相同数量的img数据（每个数千）进行训练，然后上传。所有分类看起来都非常相似，因此模型无法100%预测它们。1.0=100%，这仍然是一个百分比。不应该达到100%的信心不，这是一个典型的误解。softmax通常会产生一个类似热的概率。不，在这种情况下这不是一个误解。这些预测绝对不应该是100%，我不是指现状，但我的意思是，在这种情况下，分类之间的相似性太高，不可能发生这种情况。我认为你完全忽视了softmax+交叉熵不会真正产生有意义的自信，由此产生的不确定性非常糟糕，正如你在自己的结果中看到的那样。为了获得有意义的校准概率，您必须使用其他方法。