Ein Convolutional Neural Network endet mit einer vollständig verbundenen Schicht von 10 Ausgaben, die 10 Tierklassen repräsentieren. Welche Funktion sollte auf diese Schicht angewendet werden, damit das Modell eine Wahrscheinlichkeitsverteilung über die 10 Klassen ausgibt?

Softmax ist die korrekte Wahl, da sie eine Wahrscheinlichkeitsverteilung über mehrere Klassen liefert. Sie wandelt eine Vektor von reellen Zahlen in eine Wahrscheinlichkeitsverteilung um, wobei die Summe der Ausgaben 1 ergibt. Dies ist ideal für die Klassifizierung, wenn das Modell die Wahrscheinlichkeit für jede der 10 Tierklassen ausgeben soll. Dropout ist eine Regularisierungstechnik, die während des Trainings verwendet wird, um Overfitting zu reduzieren, und keine Aktivierungsfunktion. Smooth L1 Loss ist eine Verlustfunktion, die zur Bewertung der Modellleistung verwendet wird, insbesondere bei Regressionsproblemen, und keine Aktivierungsfunktion. ReLU (Rectified Linear Unit) ist eine Aktivierungsfunktion, die typischerweise in den versteckten Schichten von neuronalen Netzen verwendet wird, um Nichtlinearität einzuführen, aber sie erzeugt keine Wahrscheinlichkeitsverteilung und ist daher für die Ausgabeschicht einer Multiklassen-Klassifikation ungeeignet.