如何获取图像分类模型最后一层的Softmax输出与原始输出？

你需要的「最后一层原始输出」是指softmax激活前的logits值，它能直接反映模型对各类别的置信度强度，正好匹配你判断图像是否包含目标对象的需求：无目标时所有logits值极低，有目标时对应类别logits显著偏高。以下是几种可行的实现方式：

方法1：拆分最后一层，同时输出Logits与分类概率 #

直接修改原模型结构，将softmax激活从Dense层中分离，让模型同时输出原始logits和归一化后的分类概率：

import tensorflow as tf

# 重构模型
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(16, (3, 3), activation='relu', input_shape=(80, 80, 3)))
model.add(tf.keras.layers.MaxPooling2D((2, 2)))
model.add(tf.keras.layers.Dropout(0.3))
model.add(tf.keras.layers.Conv2D(16, (3, 3), activation='relu'))
model.add(tf.keras.layers.MaxPooling2D((2, 2)))
model.add(tf.keras.layers.Dropout(0.3))
model.add(tf.keras.layers.Conv2D(16, (3, 3), activation='relu'))
model.add(tf.keras.layers.MaxPooling2D((2, 2)))
model.add(tf.keras.layers.Flatten())
# 新增不带激活的Dense层输出原始logits
model.add(tf.keras.layers.Dense(4, name='logits'))
# 单独添加softmax层输出分类概率
model.add(tf.keras.layers.Activation('softmax', name='probabilities'))

# 推理时同时获取两个输出
input_image = tf.random.normal((1, 80, 80, 3))  # 示例输入
logits, probs = model.predict(input_image)
class_pred = tf.argmax(probs, axis=1).numpy()  # 获取分类结果

print("原始logits输出：", logits)
print("分类概率：", probs)
print("预测类别：", class_pred)

方法2：基于原模型构建新模型，提取Logits #

如果不想改动原模型的训练结构，可以直接构建一个新模型，输出原模型最后一层Dense的输入（即softmax激活前的原始值）：

import tensorflow as tf

# 假设你已经有训练好的原模型
# 构建logits输出模型
logits_model = tf.keras.Model(inputs=model.input, outputs=model.layers[-1].input)

# 推理时分别获取概率和logits
input_image = tf.random.normal((1, 80, 80, 3))
probs = model.predict(input_image)
logits = logits_model.predict(input_image)
class_pred = tf.argmax(probs, axis=1).numpy()

print("原始logits输出：", logits)
print("分类概率：", probs)

方法3：构建多输出模型（训练阶段适用） #

如果需要在训练过程中同时输出logits和分类结果，用函数式API构建多输出模型会更灵活：

import tensorflow as tf

# 用函数式API构建多输出模型
inputs = tf.keras.Input(shape=(80, 80, 3))
x = tf.keras.layers.Conv2D(16, (3, 3), activation='relu')(inputs)
x = tf.keras.layers.MaxPooling2D((2, 2))(x)
x = tf.keras.layers.Dropout(0.3)(x)
x = tf.keras.layers.Conv2D(16, (3, 3), activation='relu')(x)
x = tf.keras.layers.MaxPooling2D((2, 2))(x)
x = tf.keras.layers.Dropout(0.3)(x)
x = tf.keras.layers.Conv2D(16, (3, 3), activation='relu')(x)
x = tf.keras.layers.MaxPooling2D((2, 2))(x)
x = tf.keras.layers.Flatten()(x)

# 输出原始logits
logits = tf.keras.layers.Dense(4, name='logits')(x)
# 输出分类概率
probs = tf.keras.layers.Activation('softmax', name='probabilities')(logits)

model = tf.keras.Model(inputs=inputs, outputs=[logits, probs])

# 编译模型时可指定对应损失（示例）
model.compile(
    optimizer='adam',
    loss={
        'logits': tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
        'probabilities': tf.keras.losses.SparseCategoricalCrossentropy()
    },
    metrics=['accuracy']
)

补充说明 #

训练时直接基于logits用from_logits=True的损失函数，会比用softmax输出计算损失更稳定，数值精度更高。

内容的提问来源于stack exchange，提问作者abcdefghi999955