卷积神经网络（CNN）输出含义解析：非0/1输出疑问

嘿，刚接触机器学习的朋友常会遇到这个困惑，我来给你拆解清楚：

为什么你的模型不是输出纯0或1？ #

你印象中“输出1对应目标类别、其余为0”是最终的硬分类标签结果，但模型在训练（甚至多数推理场景）时，输出的是经过Softmax层计算后的概率分布值：

• Softmax层的作用是把模型最后一层的原始输出（logits）转化为0到1之间的数值，所有类别的数值总和接近1，代表模型对每个类别的置信度。
• 训练阶段必须依赖这种连续的概率值来计算损失（比如交叉熵损失），如果直接输出离散的0/1，根本没办法通过反向传播优化模型参数——离散值的梯度是不存在的。

你的输出结果到底是什么意思？ #

看你给出的输出：[[1.00000000e+00, 1.02304026e-20, 0.00000000e+00]]

• 第一个值1.0：代表模型对“类别1”的置信度几乎是100%（受浮点数精度限制显示为1.0）
• 第二个值1.02304026e-20：这是一个极小的数（相当于0.000...001，前面有20个0），几乎可以等同于0，是模型对第二个类别的置信度——因为模型极度确定是类别1，所以这个值被压缩到趋近于0
• 第三个值0.0：模型对第三个类别的置信度直接为0

这些都是Softmax计算后的正常结果，只是因为模型对正确类别太自信，其他类的概率被压到几乎为0，仅因浮点数精度限制没有严格显示为0（比如那个1e-20）。

怎么得到你想要的0/1输出？ #

如果需要把概率输出转化为0/1的硬分类标签，最常用的两种方式：

• 取概率最大的类别：针对你的输出，最大概率在第一个位置，标记为类别1（对应1），其余类别标记为0
• 设置阈值：把概率大于某个值（比如0.5）的标记为1，其余为0（但这种场景下argmax的方式更准确）

举个Python代码的例子：

import numpy as np
output = np.array([[1.00000000e+00, 1.02304026e-20, 0.00000000e+00]])
# 生成硬分类标签
hard_labels = np.zeros_like(output)
hard_labels[np.arange(len(output)), np.argmax(output, axis=1)] = 1
print(hard_labels)
# 输出结果：[[1 0 0]]

内容的提问来源于stack exchange，提问作者SUNNY