如何准确识别预测结果，以确定输入是否匹配，或者输入是否与任何训练数据完全不同。
例如，如果我有一个模型；"圆圈"正方形"；和其他形状，但随后用户输入了一个"；混乱的歪歪扭扭"；，我该如何阻止它意外匹配最高概率？
我的知识比较低，目前我的模型是这样的。
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense (Dense) (None, 512) 262656
_________________________________________________________________
dropout (Dropout) (None, 512) 0
_________________________________________________________________
dense_1 (Dense) (None, 256) 131328
_________________________________________________________________
dropout_1 (Dropout) (None, 256) 0
_________________________________________________________________
dense_2 (Dense) (None, 100) 25700
_________________________________________________________________
dropout_2 (Dropout) (None, 100) 0
_________________________________________________________________
dense_3 (Dense) (None, 5) 505
=================================================================
Total params: 420,189
Trainable params: 420,189
Non-trainable params: 0
_________________________________________________________________
然后，当进行预测时，我使用np.argmax来获得最高概率。
我通过观察和阅读一系列资源，反复尝试，得出了这个布局。对此的指导也非常受欢迎：(
在这种情况下，softmax仍然可以提供帮助。它是一个近似值，而不是一个精确的单位阶跃函数。您可以随时检查两个最高项之间的差异，并设置阈值以检查是否存在多个形状。
例如，如果输入包含所有三种形状，则softmax的理想输出为：
[0.3333 0.3333 0.3333]
考虑到一个相对训练有素的模型，输出可能类似于：
[0.34, 0.30, 0.36]
对于只有一个形状的输入，结果会非常不同。它可能类似于：
[0.9999, 1e-6, 2e-6]
在所有这些情况下，您可以使用最可能元素和第二可能元素之间的差来识别"；乱七八糟"；。或者，你也可以对softmax本身的输出设置阈值，例如，说softmax值>0.9表示形状，任何低于0.9的值都是无效输入。
请记住，这些仍然是近似值，可能会导致一些错误。整个过程在很大程度上取决于模型的实际性能。