Python 如何在tensorflow中获得模型信心？

我采用预训练的模型，在定制数据集上对其进行训练，该数据集包含3个类，softmax激活作为输出层。我在测试集上获得了91%的准确率，但问题是。我希望我的CNN能够说“我不知道图像上有什么”。这将有助于解决两个问题：

• 误分类
• 没有任何类的图像。我在图像上搜索蛇，希望能够说图像上没有蛇

我使用softmax获得了奇怪的结果：

[[0.05 0.89 0.05]]
[[0.05 0.89 0.05]]

第一个图像是第二类的，所以模型正确，但第二个图像并没有已知的类，但模型非常确定有。我怎样才能得到更接近真实概率的东西？ 模型在分类方面并不差，它总是得到0.85-0.89的值

我的第一个想法是添加另一个图像上没有蛇的类。但这是一个相当肮脏的解决方案。

---

检测/分割在这方面有帮助吗？

文献中众所周知，大多数CNN没有输出经过良好校准的概率：换句话说，softmax的“概率”输出通常与正确的真实可能性没有很好的相关性。例如，参见郭等人关于该问题的一些背景

最近，人们对贝叶斯深度学习技术越来越感兴趣，它可以模拟认知不确定性，即模型本身的不确定性，并且有很多有趣的论文可以阅读，例如Kendall和Gal的（还有一些来自Kendall的幻灯片，读起来稍微轻松一些）

---

你可以尝试郭等人的温度标度技术，这似乎在一定程度上改善了预测。

可以研究贝叶斯神经网络。它们以标准神经网络无法做到的方式洞察模型的不确定性。是的，为此，您需要使用具有适当不确定性量化的模型，如贝叶斯神经网络。以下是一个示例。它是用tensorflow-probability实现的。请注意，这不是编程问题，它更适合AI堆栈交换。不知道AI堆栈交换，但现在知道了，谢谢。试图深入研究贝叶斯神经网络，这似乎就是我所需要的，似乎模型应该用tfp层来编写？所以，我不能使用那个模型，我需要改变它的架构或者从头开始写一个神经网络？