TensorFlow 默认使用什么阈值来将输入图像分类为特定类别？
例如，假设我有三个类别 0、1、2，图像的标签是这样的独热编码：[1, 0, 0]，这意味着该图像的标签是类别 0。
现在，当模型在 softmax 之后输出一个像这样的预测：[0.39, 0.56, 0.05]，TensorFlow 是否使用 0.5 作为阈值，从而预测的类别是类别 1？
如果所有预测值都低于 0.5，例如 [0.33, 0.33, 0.33]，TensorFlow 会说结果是什么？
还有没有办法指定一个新的阈值，例如 0.7，并确保如果没有类别的预测值超过这个阈值，TensorFlow 会认为预测是错误的？
另外，这种逻辑是否也会应用到推理阶段，如果网络对类别不确定，则会拒绝对图像进行分类？
回答：
当模型在 softmax 之后输出一个像这样的预测：
[0.39, 0.56, 0.05]，TensorFlow 是否使用 0.5 作为阈值，从而预测的类别是类别 1？
不是。这里没有涉及任何阈值。TensorFlow（以及任何其他框架）只会选择最大值（argmax）；即使概率输出是 [0.33, 0.34, 0.33]，结果（类别 1）也将是相同的。
你似乎错误地认为在三类分类问题中，概率值 0.5 具有特殊意义；它没有：概率值 0.5 在二元分类设置中（并且是平衡的）才具有“特殊性”。在 n 类设置中，相应的“特殊”值是 1/n（这里是 0.33），而且根据定义，概率向量中总会有一些条目大于或等于这个值。
如果所有预测值都低于 0.5，例如
[0.33, 0.33, 0.33]，TensorFlow 会说结果是什么？
如前所述，在 n 类问题中（n>2），所有概率低于 0.5 并没有什么奇怪或意外的地方。
现在，如果所有概率都相等，如你所示的例子（尽管在实践中这种情况极不可能，但至少在理论上问题是有效的），理想情况下，这种平局应该随机解决（即随机选择一个类别）；在实践中，由于通常这一阶段由 Numpy 的 argmax 方法处理，预测将是第一个类别（即类别 0），这不难证明：
这是由于 Numpy 处理这种情况的方式 – 从 argmax 文档中可以看到：
如果最大值多次出现，则返回第一次出现的索引。
关于你的下一个问题：
有没有办法指定一个新的阈值，例如 0.7，并确保如果没有类别的预测值超过这个阈值，TensorFlow 会认为预测是错误的？
在 TensorFlow（或任何其他框架）本身中没有，但这总是在推理期间的后处理阶段可以做到的：不管你的分类器实际返回什么，总是可以添加一些额外的逻辑，以便当最大概率值低于某个阈值时，你的系统（即你的模型加上后处理逻辑）返回类似于“我不知道 / 我不确定 / 我无法回答”的内容。但再次强调，这是外部于 TensorFlow（或任何其他使用的框架）以及模型本身的，并且只能在推理期间使用，而不能在训练期间使用（在任何情况下，训练期间都没有意义，因为训练期间只使用预测的类别概率，而不使用硬类别）。
事实上，我们几年前在玩具项目中实现了这样的后处理模块，该项目是一个在线服务，用于从图像中分类狗的品种：当模型返回的最大概率低于某个阈值时（例如，当模型被展示了一张猫的图像而不是狗时），系统被编程为以“你确定这是狗吗？”的问题来响应，而不是被迫在预定义的狗品种中做出预测…
