CNN多类网络答案

【问题标题】：CNN multi-class networkCNN多类网络
【发布时间】：2019-03-16 10:06:40
【问题描述】：

当我希望我的 CNN 多类网络在图像不属于时输出类似 [0.1, 0,1] 的内容时，我应该采取什么方法到任何班级。对多类使用 softmax 和 categorical_crossentropy 会给我的输出总和为 1，所以仍然不是我想要的。我是神经网络的新手，很抱歉提出愚蠢的问题，并提前感谢您的帮助。

【问题讨论】：

在分类图像中总是属于某个类，因为您事先知道类的数量，添加新类并添加不属于任何类的训练示例。
为什么是 0.1？ 0.1 是否意味着输入不在类中？请详细说明您的问题。
嗨@Giang Nguyễn，0.1 只是举例，任何小的输出都可以，我的目标是构建一个可以识别图像是狗还是猫的 CNN，但如果我也想要举个例子，房子的图像作为输入我的网络将输出类似 [[0.001], [0.001]] 的东西，表明它既不是这两个（或者至少一些输出可以帮助我表明输入图像既不是狗也不是猫)

标签： keras conv-neural-network

【解决方案1】：

我想你会考虑贝叶斯学习。首先，谈谈不确定性。

例如，假设有几张狗品种的图片作为训练数据——当用户上传他的狗的照片时——假设的网站应该以相当高的可信度返回预测。但是，如果用户上传了一张猫的照片并要求网站决定狗的品种，会发生什么？

以上是分布测试数据的示例。该模型已经在不同品种的狗的照片上进行了训练，并且（希望）学会了区分它们。但是该模型以前从未见过猫，而猫的照片将位于模型训练的数据分布之外。这个说明性示例可以扩展到更严重的环境，例如具有诊断系统以前从未观察到的结构的 MRI 扫描，或者从未训练过自动驾驶汽车转向系统的场景。

在这种情况下，模型可能期望的行为是返回一个预测（尝试从我们观察到的数据外推），但返回一个答案，其中包含该点位于数据分布之外的附加信息。我们希望我们的模型拥有一些数量，通过此类输入传达高度不确定性（或者，传达低置信度）。

然后，我认为您可以简要阅读this paper，当它们也适用于分类任务并为类（狗、猫...）产生不确定性时。从这篇论文中，你可以将你的发现扩展到使用这篇论文的应用，我想你会找到你想要的。

【讨论】：