如何将ResidualUNet输出的Logits转换为像素类别概率？

针对你的多分类CT分割任务（9个类别），由于模型输出的是原始Logits，需要通过Softmax函数将其转换为每个像素对应各类别的概率，原因如下：

• 你的任务是单标签多分类（每个像素仅属于一个类别），Softmax能将每个像素的9个通道Logits归一化至0-1区间，且所有类别概率之和为1，符合概率定义。
• 如果是多标签任务（像素可同时属于多个类别）才需要用Sigmoid，但显然你的场景不适用。

修改后的推理代码 #

直接在GPU上完成Softmax计算（避免数据来回传输，提升效率），再转换为numpy数组：

device = (
    "cuda"
    if torch.cuda.is_available()
    else "mps"
    if torch.backends.mps.is_available()
    else "cpu"
)

model = Unet(
    spatial_dims = 3,
    in_channels = 1,
    out_channels = 9,
    channels = (8, 16, 32, 64, 128, 256),
    strides = (2,2,2,2,2),
    num_res_units = 4,
    norm = Norm.INSTANCE
).to(device)

model.load_state_dict(torch.load(PATH_TO_SAVED_MODEL_OBJECT)["model_state_dict"])

inputs, labels = next(iter(validation_dataloader))   # 获取单张图像 - batch_size=1
inferer = SimpleInferer()   # MONAI内置的简易推理器
inputs = inputs.to(device)  # 传入GPU
labels = labels.to(device)  # 传入GPU

# 执行推理得到原始Logits
pred = inferer(inputs = inputs, network=model)

# 对通道维度（dim=1，对应BCHWD中的C）应用Softmax，得到概率分布
pred_probs = torch.nn.functional.softmax(pred, dim=1)

# 转换为numpy数组用于后续可视化或分析
pred_probs_np = pred_probs.detach().cpu().numpy()

关键细节说明 #

1. 维度选择：dim=1是因为输入张量格式为BCHWD（Batch, Channel, Height, Width, Depth），通道维度是第1个索引（PyTorch采用0-based索引），确保每个像素的9个通道值被单独归一化。
2. 数值验证：转换后的pred_probs_np中，任意位置的9个通道值之和应近似为1（浮点运算误差范围内），可通过pred_probs_np.sum(axis=1)验证。
3. MONAI替代方案：也可以使用MONAI内置的Softmax层，效果完全一致：

   from monai.networks.layers import Softmax
   softmax = Softmax(dim=1).to(device)
   pred_probs = softmax(pred)
   

内容的提问来源于stack exchange，提问作者dkrolicki