为什么要使用multinomial而不是直接使用argmax来评估预测准确性呢？
probs_Y = torch.softmax(model(test_batch, feature_1, feature_2), 1)sampled_Y = torch.multinomial(probs_Y, 1)argmax_Y = torch.max(probs_Y, 1)[1].view(-1, 1)print('Accuracy of sampled predictions on the test set: {:.4f}%'.format( (test_Y == sampled_Y.float()).sum().item() / len(test_Y) * 100))print('Accuracy of argmax predictions on the test set: {:4f}%'.format( (test_Y == argmax_Y.float()).sum().item() / len(test_Y) * 100))结果：
Accuracy of sampled predictions on the test set: 88.8889%Accuracy of argmax predictions on the test set: 97.777778%阅读PyTorch文档后，发现multinomial是根据某种分布进行抽样——只是不确定这在评估准确性方面有何相关性。
我注意到多项式是非确定性的——这意味着每次运行时会输出不同的准确率，大概是因为包含了不同的样本。
回答：
在这里，使用multinomial，我们是根据多项分布来抽样类别。
从维基百科的例子来看，
假设在一个大型国家的三方选举中，候选人A获得了20%的选票，候选人B获得了30%的选票，候选人C获得了50%的选票。如果随机选择六名选民，那么样本中恰好有一名支持候选人A、两名支持候选人B、三名支持候选人C的概率是多少？
注意：由于我们假设投票人口众多，因此在选民被选入样本后，概率被认为是不变的。从技术上讲，这是无放回抽样，因此正确的分布是多变量超几何分布，但随着人口的增长，这些分布会趋于一致。
如果我们仔细观察，我们所做的也是无放回抽样。
torch.multinomial(input, num_samples, replacement=False, *, generator=None, out=None)
参考：https://pytorch.org/docs/stable/torch.html?highlight=torch%20multinomial#torch.multinomial
多项式实验是一种统计实验，由n次重复试验组成。每次试验都有离散的可能结果。在任何给定的试验中，特定结果发生的概率是恒定的（这是最初的假设）。
因此，投票计数可以用概率来模拟。从软输出进行分类是一个类似的投票过程。
如果我们重复实验足够多次，我们将接近实际概率。
例如，让我们从初始probs = [0.1, 0.1, 0.3, 0.5]开始。
我们可以重复实验n次，并计算torch.multinomial选择某个索引的次数。
import torchcnt = [0, 0, 0, 0]for _ in range(5000): sampled_Y = torch.multinomial(torch.tensor([0.1, 0.1, 0.3, 0.5]), 1) cnt[sampled_Y[0]] += 1print(cnt)50次迭代后：[6, 3, 14, 27]
5000次迭代后：[480, 486, 1525, 2509]
50000次迭代后：[4988, 4967, 15062, 24983]
但在模型评估中避免使用这种方法，因为它非确定性且需要随机生成器来模拟实验。这在蒙特卡洛模拟、先验-后验计算中特别有用。我见过一个图分类示例，其中使用了这种评估方法。但我认为在机器学习的大多数分类任务中，这种方法并不常见（甚至有用）。
