Python 为什么softmax总是提供1.0的概率？

我一直在尝试简单的mnist示例。对不起，如果问题是最基本的

从keras.datasets导入mnist
从keras.layers导入输入，Conv2D，稠密
从keras.models导入顺序
从keras.utils导入np_utils
def myModel（）：
模型=顺序（）
layer1=密集（1024，输入_形状=（784，），激活='relu'）
第2层=密集（512，激活='relu'）
第3层=密集（10层，激活='softmax'）
model.add（第1层）
model.add（第2层）
模型。添加（第3层）
compile（loss='classifical\u crossentropy'，optimizer='adam'）
回归模型
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
打印“主功能内部”
model=myModel（）
（trainX，trainY），（testX，testY）=mnist.load_data（）
打印（“TrainX形状为”，TrainX.shape）
trainX=trainX.重塑（trainX.形状[0]，trainX.形状[1]*trainX.形状[2]）
trainY=np实用到范畴（trainY，10）
模型拟合（X列，Y列，批量尺寸=200，历次=1）
打印（“让我们现在预测…”
打印（“x的形状和100的形状”，trainX.shape，trainX[10].shape）
结果=模型。预测（trainX[100]。重塑（1784））
打印结果
将matplotlib.pyplot作为plt导入
plt.子地块（2,2,1）
plt.imshow（列车[1100]。重塑（28,28））
plt.show（）

最后一层的输出值为

[[0.0.0.0.0.1.0.0.0.0.0.]]

我该如何解释这个结果？。这不是结果的概率分布吗？。如果不是，我如何得到相同的结果？

理论上，对于所有其他

k

，概率分布应该没有什么奇怪的，比如

[0.0.0.0.1.0.0.0.0.]

，即

p[5]=1

和

p[k]=0

。。。所有条目都在

[0,1]

中，它们的总和为

1.0

实际上，您犯了一个错误，没有规范化您的输入数据

trainX

（这里应该是您的指南）；添加

trainX=trainX.astype（'float32'）
列车X/=255

在安装模型之前，我们得到（请注意，与您自己的试验相比，安装过程中的损失要小得多）：

result=model.predict（trainX[100]。重塑（1784））
#结果:
阵列（[[6.99907425e-04、7.85773620e-04、1.73144764e-03、9.31426825e-04、，
5.75593032e-04、9.49266493e-01、1.22108115e-02、1.03891856e-04、，
3.18745896e-02，1.82012399e-03]]，数据类型=32）

这是一个好结果吗

np.argmax（结果）
# 5
np.argmax（Trany[100]）#真实标签
# 5

看起来它确实是…

理论上，对于所有其他的

k

来说，概率分布像

[0.0.0.0.1.0.0.0.0.]

，也就是

p[5]=1

和

p[k]=0

，应该没有什么奇怪的。。。所有条目都在

[0,1]

中，它们的总和为

1.0

实际上，您犯了一个错误，没有规范化您的输入数据

trainX

（这里应该是您的指南）；添加

trainX=trainX.astype（'float32'）
列车X/=255

在安装模型之前，我们得到（请注意，与您自己的试验相比，安装过程中的损失要小得多）：

result=model.predict（trainX[100]。重塑（1784））
#结果:
阵列（[[6.99907425e-04、7.85773620e-04、1.73144764e-03、9.31426825e-04、，
5.75593032e-04、9.49266493e-01、1.22108115e-02、1.03891856e-04、，
3.18745896e-02，1.82012399e-03]]，数据类型=32）

这是一个好结果吗

np.argmax（结果）
# 5
np.argmax（Trany[100]）#真实标签
# 5

---

看来真的是…

有两个问题，一个在标题中，一个在正文中。对于第一个，是的，softmax总是和一相加。回想一下：

特急（x）／∑ exp（x）

---

由于标准化，其总和始终为1。在培训开始时，输出应该是随机的、大致一致的，经过良好的培训后，您期望得到与您一样的输出；至少对于清晰的图像。对于其他图像，您可能会看到

[0,0.3,0.7,0，…]

，其中一个图像可能有两个（或更多）标签。

有两个问题，一个在标题中，一个在正文中。对于第一个，是的，softmax总是和一相加。回想一下：

特急（x）／∑ exp（x）

---

由于标准化，其总和始终为1。在培训开始时，输出应该是随机的、大致一致的，经过良好的培训后，您期望得到与您一样的输出；至少对于清晰的图像。对于其他图像，您可能会得到

[0,0.3,0.7,0，…]

，其中一个图像可能有两个（或更多）标签。

StackOverflow肯定需要像您这样的作者。Gr8帮助。谢谢。@Whoami非常欢迎你；愿意接受这个答案吗？StackOverflow肯定需要像你这样的作者。Gr8帮助。谢谢。@Whoami非常欢迎你；愿意接受这个答案吗？