如何在张量流的二进制分类中将logits转换为概率？答案

【问题标题】：how to convert logits to probability in binary classification in tensorflow?如何在张量流的二进制分类中将logits转换为概率？
【发布时间】：2017-09-26 02:36:13
【问题描述】：

logits= tf.matmul(inputs, weight) + bias

matmul 操作后，logits 是从 MLP 层派生的两个值。我的目标是二分类，如何将logits这两个值转换为概率，包括正概率和负概率，它们的和为1？

【问题讨论】：

标签： tensorflow deep-learning

【解决方案1】：

我正在为需要进一步澄清的任何人写这个答案：

如果是二分类，应该是：

prediction = tf.round(tf.nn.sigmoid(logit))

如果是多类分类：

prediction = tf.nn.softmax(logit)

然后使用 argmax 函数可以得到概率得分最高的类的索引。

np.argmax(prediction, 0)

【讨论】：

注意你也可以直接在logits上运行np.argmax。
对于二元分类，为什么需要tf.nn.sigmoid 来决定正/负类？当logit > 0, then probability > 0.5，则为正类；反之亦然。 tf.round(tf.nn.sigmoid()) 函数调用是不必要的。
@thinkdeep 如果模型返回原始logit（正负值），tf.nn.sigmoid(logit)将转换0-1之间的值，负值转换为0-0.5，正值到0.5-1，零到0.5，或者你可以称之为概率。之后，tf.round(probability) 将使用0.5 作为四舍五入到0 或1 的阈值。这是因为外面的很多标签都使用class 0 和class 1 标签。这只是将正 logit 传达为正类的另一种方式，反之亦然。

【解决方案2】：

predictions = tf.nn.softmax(logits)

【讨论】：

这不是要走的路。如果您只有一个标签，即真 (1) 或假 (0)，这将导致所有样本的预测概率为 1——没有你想要的
@emem 这不是真的。如果您的最后一层输出 logit 的值为 < 0 为 class 0 和 > 0 为 class 1，例如您的最后一层是 tf.keras.layers.Dense(1) 并使用损失函数 losses.BinaryCrossentropy(from_logits=True)，您需要添加 tf.nn.softmax(logit) 层在训练之后将 logit 转换为可以被人类解释的有意义的概率。
@MuhammadYasirroni 我指的是单值输出，你说的是两个输出。看Suleka_28的答案，这是正确答案