Caffe：概率输出大于1的分类器答案

【问题标题】：Caffe: classifier with probabilistic output greater than 1Caffe：概率输出大于1的分类器
【发布时间】：2018-11-19 22:13:58
【问题描述】：

我正在尝试使用 python 在 cifar-10 数据上运行 Caffe。这是我的 proto.txt 的结尾（注意：我的部署文件没有损失层！）

...
layer {
  name: "ampl"
  type: "InnerProduct"
  bottom: "maxPool1"
  top: "ampl"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  inner_product_param {
    num_output: 10
    bias_term: false
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0.2
    }
  }
}
layer {
  name: "loss"
  type: "Softmax"
  bottom: "ampl"
  bottom: "label"
  top: "loss"
}

但是当我查看我的输出概率时，它们不是 [0 1]。这也是我在测试阶段读取输出标签的方式：

net = caffe.Net(modelFile, weightsFile, caffe.TEST)

# estimate amplitude
shape = (data.shape[0], net.blobs['ampl'].data.shape[1])
dtype = net.blobs['ampl'].data.dtype

aE = np.ndarray(shape,dtype)

for i in range(data.shape[0]):
    net.blobs['data'].data[...] = data[i].reshape(net.blobs['data'].data.shape)
    net.forward()
    aE[i,:] = net.blobs['ampl'].data

这是前 5 个样本的输出：

   -0.8576         0         0         0   -1.2853
   -1.1855         0         0         0   -0.3572
   -2.2088         0         0         0   -2.6844
   -1.2650         0         0         0   -3.8973
   -1.2844         0         0         0   -3.8011
   -1.5247         0         0         0   -3.9778
   -1.6097         0         0         0   -3.7351
   -1.0909         0         0         0   -3.6270
   -1.3660         0         0         0   -0.4569
   -1.0892         0         0         0   -0.2500

【问题讨论】：

标签： neural-network caffe conv-neural-network pycaffe convolutional-neural-network

【解决方案1】：

似乎您正在输出“ampl”层，这是一个全连接层，只有softmax会产生实际概率，因此您应该输出包含softmax操作的层（没有损失，只是softmax）。

您也可以输出最后一层并手动应用 softmax。

【讨论】：

我应该添加另一个层作为“softmax”还是可以使用当前的损失层type="softmax"？
@NimaHatami 其实你有的不是损失层，它只是一个softmax，你可以直接用那个作为输出。
我需要添加这个softmax来部署吗？另外，我需要添加一个损失层吗？如果是，原型或部署或两者兼而有之？谢谢
@NimaHatami 是的，不。我认为困惑来了，通常使用 SoftmaxWithLoss，它结合了 softmax 和交叉熵损失，但要在部署中实际使用模型，您需要使用没有损失的 softmax。
所以如果我理解正确，我不需要任何部署或原型中的任何损失层。那么BP将如何计算损失？