TF默认用于将输入图像分类为某个类的阈值是多少？
例如，假设我有 3 个类0、1、2，并且图像的标签是单热编码的，如下所示：[1, 0, 0]，这意味着该图像的标签为 0 类。
现在，当模型在 softmax 之后输出像这样的预测时：TF[0.39, 0.56, 0.05]使用 0.5 作为阈值，因此它预测的类是类 1？
如果所有预测都低于 0.5[0.33, 0.33, 0.33]TF 会说结果是什么？
有没有办法指定一个新的阈值，例如 0.7，并确保 TF 说如果没有类预测超过该阈值，预测是错误的？
此外，这种逻辑也会延续到推理阶段，如果网络不确定该类，那么它将拒绝为图像进行分类？
当模型在 softmax 之后输出像这样的预测时：TF
[0.39, 0.56, 0.05]使用 0.5 作为阈值，因此它预测的类是类 1？
不。这里不涉及任何门槛。Tensorflow(以及任何其他框架，就此而言(只会拾取最大的一个(argmax(;这里的结果(类1(将是相同的，即使概率输出是[0.33, 0.34, 0.33]。
你似乎错误地认为概率值 0.5 在 3 类分类问题中具有某种特殊意义;事实并非如此：概率值 0.5 仅在二元分类设置中是"特殊的"(就此而言，是平衡的(。在n类设置中，相应的"特殊"值是1/n(此处为 0.33(，根据定义，概率向量中总会有一些条目大于或等于该值。
如果所有预测都低于 0.5
[0.33, 0.33, 0.33]TF 会说结果是什么？
正如已经暗示的那样，在n>2的n类问题中，所有概率都低于0.5，这没有什么奇怪或意外的。
现在，如果所有概率恰好相等，如你展示的例子(虽然在实践中极不可能，但这个问题是有效的，至少在理论上是这样(，理想情况下，这种联系应该是随机解决的(即随机选择一个类(; 在实践中，由于通常这个阶段由 Numpy 的argmax方法处理， 预测将是第一类(即.class0(，这不难证明：
import numpy as np
x = np.array([0.33, 0.33, 0.33])
np.argmax(x)
# 0
由于 Numpy 如何处理此类情况 - 来自argmax文档：
如果多次出现最大值，则返回与第一次出现对应的索引。
对于您的下一个问题：
有没有办法指定一个新的阈值，例如 0.7 并确保 TF 说如果没有类预测高于该阈值，预测是错误的？
不是在 Tensorflow(或任何其他框架(本身中，但这总是可以在推理的后处理阶段完成的：无论分类器实际返回的内容如何，总是可以添加一些额外的逻辑，这样每当最大概率值小于阈值时，您的系统(即您的模型加上后处理逻辑(返回类似">我不知道/我不确定/我不能回答"。但同样，这是 Tensorflow(或使用的任何其他框架(和模型本身的外部，它只能在推理期间使用，而不能在训练期间使用(无论如何，它在训练期间没有意义，因为在训练期间只使用预测的类概率，而不是硬类(。
事实上，几年前我们已经在一个玩具项目中实现了这样一个后处理模块，这是一个从图像中对狗比赛进行分类的在线服务：当模型返回的最大概率小于阈值时(例如，当模型呈现猫而不是狗的图像时(，就是这种情况(， 系统被编程为回答">你确定这是一只狗"的问题？，而不是被迫在预定义的狗种族中做出预测......
阈值用于二元分类或多标签分类，在多类分类的情况下你使用argmax，基本上激活度最高的类是你的输出类，所有类很少相等，如果模型训练得很好，应该有一个主导类