Una rete neurale convoluzionale termina con un livello completamente connesso di 10 output che rappresentano 10 classi di animali. Quale funzione dovrebbe essere applicata a quel livello affinché il modello produca una distribuzione di probabilità tra le 10 classi?

La funzione Softmax è la scelta corretta perché trasforma i punteggi grezzi (logits) di un livello completamente connesso in una distribuzione di probabilità. Questo significa che l'output per ciascuna delle 10 classi sarà un valore tra 0 e 1, e la somma di tutti gli output sarà uguale a 1, indicando la probabilità che l'input appartenga a ciascuna classe. Dropout è una tecnica di regolarizzazione per prevenire l'overfitting. Smooth L1 loss è una funzione di perdita utilizzata per problemi di regressione. Rectified Linear Unit (ReLU) è una funzione di attivazione comune per i livelli nascosti nelle reti neurali, ma non per l'output finale di classificazione probabilistica.