在张量流中，为什么预测是二维的？

Question

当我学习Tensorflow时，我对输出层张量的维数有一个困惑。在

我正在学习如何在Tensorflow中建立多层感知器模型。我开始的代码是this one。在

简而言之，它基本上是如下框架：

def multilayer_perceptron(x, weights, biases):
    :
    :

pred = multilayer_perceptron(x, weights, biases)
    :
    :

with tf.Session() as sess:
    sess.run(init)
         :
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))

    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    print ("Accuracy:", accuracy.eval({x: X_test, y: y_test_onehot}))

我了解argmax和equal方法的概念。但是为什么tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))中的轴参数是1？或者说，为什么pred大于1维？对我来说，pred应该与1D数组类似。E、 g.[0,1,1,1,1]表示除第一个预测外，其他预测都是正确的。为什么我们需要一个argmax在相等的方法之前？在

谢谢你！在

Answer 1

当使用MLP模型进行分类时，通常最后一层是一个标准的线性层，它将最后一个隐藏层投影到输出层中。最后一个单元的数量与类的数量相同（这个输出单元通常称为logit）。在

然后，这个输出层通常被提供给一个softmax函数，该函数将最大值向上推，其他所有的都向下推。换言之，它执行一个“软”max（其中max是指到处都是零的数组，maximum元素中是一个1）。在

在代码中，多层感知器函数实际上返回logits节点。logit可以看作是每个输出类的“置信度”。最终，您将需要argmax来选择具有最高学位的类，您对该类更有信心。在

multilayer_perceptron函数返回的pred张量是[batch\u size x num_classes]。对于input中提供的每个示例，都有num_classes的置信度，并且需要一个argmax来提取正确类的索引（最大置信度）。在

请注意，这是一个多类分类问题，网络的每个输出节点都与单个类的预测有关。每个输出节点i都有一项任务，即决定输入是否属于i类。在