我在最后一层创建了一个带有sigmoid激活函数的神经网络，因此我得到的结果介于0到1之间。我想将事物分为 2 类，所以我检查"数字是 0.5>，然后是 1 类，其他类 0"。都基本。 但是，我想说"它在 0 类中的概率是x类，而在类 1 中的概率是y"。
我该怎么做？
- 像 0.73 这样的数字告诉我它有 73% 的确定性属于 1 类吗？然后 1-0.73 = 0.27 所以 27% 在 0 类？
- 当它是 0.27 时，这是否意味着它在 0 类中有 27% 的确定性，在类 1 中有 73% 的确定性？毫无意义。
我是否应该使用 0.5 并查看"数字离中心有多远，然后就是百分比"？
还是我误解了 NN 的结果？
正如Teja所指出的，简短的答案是否定的，但是，根据您使用的损失，它可能比您想象的更接近事实。
想象一下，您尝试训练您的网络将数字区分为两个任意类别，即beautiful和ugly。假设您的输入数字是0或1，并且0s 被标记为ugly的概率0.2，而1s 被标记为ugly的概率0.6。
想象一下，你的神经网络将 s 和1s0作为输入，将它们传递到某些层中，并以 softmax 函数结束。如果您的损失是二进制交叉熵，那么网络的最佳解决方案是在看到输入0时输出0.2，在看到输入1时输出0.6(这是交叉熵的属性，当您输出每个标签的真实概率时，它会最小化(。因此，您可以将这些数字解释为概率。
当然，现实世界的例子并不容易，而且通常是确定性的，所以解释有点棘手。但是，我相信只要您使用交叉熵作为损失，将您的结果视为概率并不是完全错误的。
对不起，这个答案不是非黑即白的，但现实有时很复杂;)
Does a number like 0.73 tell me it's 73% sure to be in class 1? And then 1-0.73 = 0.27 so 27% in class 0?
答案是否定的。当我们使用 Sigmoid 函数时，结果的总和不会为 1.类的结果总和可能会小于 1，或者在某些情况下会大于 1。
在同样的情况下，当我们使用 softmax 函数时。所有输出的总和将加为 1。