知识卡片

普通读书笔记卡 · 9428.e · 生成模型:Tencent Hunyuan Hy

notMNIST不确定性示例

理解等级:初级

notMNIST 含 A 到 J 的灰度字母图像,与训练用的 0 到 9 数字分布不同。手写数字 7 的样本在 30 次采样中预测全为 7,表现一致且自信;而字母 A 的预测却散落在 2、3、5、6、8 之间,非常不一致。原文据此说明:由于真实类别 A 根本不在模型的 10 类中,预测具有高不确定性,理应被拒绝;常规模型却只会给出一个不附带任何置信度或确定性信息的预测。这是[[不确定性:预测之外的重要信息]]价值最直观的验证。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第08章《深度学习的新趋势》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/15.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文对比 7 的一致预测与 A 的分散预测并主张拒绝后者,支撑不确定性能有效识别分布外输入。 - 原始内容:这些预测是非常不一致的。 如我们所见,2,3,5,6和8到处都是 。 这是我们所期望的,因为基本事实是模型知道的A,不是 10 类(0至9)中的任何一个。 在贝叶斯学习中,预测具有很高的不确定性,因此我们将拒绝我们的预测。