使用 nn.CrossEntropyLoss() 训练的网络的测试和置信度得分

Posted 2023-03-28

【中文标题】使用 nn.CrossEntropyLoss() 训练的网络的测试和置信度得分

【英文标题】：Testing and Confidence score of Network trained with nn.CrossEntropyLoss()

【发布时间】：2020-04-28 10:34:16

【问题描述】：

我已经训练了一个具有以下结构的网络：

Intent_LSTM(
(attention): Attention()
(embedding): Embedding(34601, 400)
(lstm): LSTM(400, 512, num_layers=2, batch_first=True, dropout=0.5)
(dropout): Dropout(p=0.5, inplace=False)
(fc): Linear(in_features=512, out_features=3, bias=True)
)

现在我想测试这个训练有素的网络并获得分类的置信度分数。 这是我当前的测试功能实现：

output = model_current(inputs)
pred = torch.round(output.squeeze())
pred = pred.argmax(dim=1, keepdim=True)

现在我的问题如下。

这里的 pred 只是来自我的网络的全连接层的输出，没有 softmax（根据损失函数的要求）。这是（pred = pred.argmax(dim=1, keepdim=True)) 获得预测的正确方法吗？还是应该将网络的输出传递给 softmax 层，然后进行 argmax？

如何获得置信度分数？我应该将网络的输出传递到 softmax 层并选择 argmax 作为类的置信度吗？

【参考方案1】：

在进行 softmax 之前或之后选择 argmax 并不重要。因为最大化softmax的任何东西也会最大化logits（pre-softmax）值。所以你应该得到相似的值。 Softmax 将为您提供每个类别的分数或概率。因此，做softmax之后的值可以作为置信度分数。