文章目录
前言一、从训练模型出发 1.准备测试资料2.最典型的程序范例3.撰写App来引导推论总结前言
《耐能KL520的Python程序雕龙小技》
Part-005：
By 神樱AI团队
/7/01
为KL520推论后，添加Softmax运算
说明：
& 二元分类(Binary Classification)只要表现于最后一层的FC层(即全连接层)。
& FC层的标准实践机制，就是Pytorch的nn.Linear()。
& 实作途径有二：
如果nn.Linear()的输出层是2个神经元，就可以搭配Softmax()激活函数，来时作二元分类。如果nn.Linear()的输出层是1个神经元，就可以搭配Sigmoid()激活函数，来时作二元分类。
& 然而，在KL520推论时，只输出最后nn.Linear()层的神经元的值。
& 并没有再经由Softmax()激活函数计算。
& 所以并非输出Softmax()计算之后的值。
&于是，我们需要自己拿Softmax()来计算之，才是正确的分类(条件)机率值。
一、从训练模型出发
1、准备测试资料
& 本范例使用两个图像集(Dataset)：
& 两类别，各有50张图像：
& 所以，训练数据集共有100个样本。
2、最典型的程序范例
& 使用nn.Linear()搭配Softmax()函数。
&指令：
&这迁移ResNet50的预训练模型。
&添加上自己的FC层，指令：
&这nn.Linear()的输出层是2个神经元，搭配Softmax()激活函数。
&程序代码：
& 执行它，就展开训练，输出:
& 这也汇出onnx档案。
&经由耐能toolchain进行转换优化，生成*.nef档案：
&就能在KL520上运行推论了。
3、撰写App来引导推论
&现在就来撰写一支myApp.py来引导推论。
&此范例程序代码：
&在KL520上执行这支App，就进行推论，而输出：
&由于KL520推论输出的值，是nn.Linear()层的输出神经元的值。并没有经过Softmax()的转换。
&于是，就在上述myApp.py里，增添一行指令：
& 修改完毕了。
& 重新执行这myApp.py程序。
& 就输出正确预测(推论)结果了，如下：
& 于是，顺利实作完成了。
& 最后，感谢您阅读本篇文章。本篇文章摘自【AI学习杂志】。
& 与神樱AI团队联络：misoo.tw@。
◆◆◆
总结
更多资讯可私信，或者关注！
在个人主页，也可学习更多：
1、《关于NCS2+Openvino》：、/452Tz
2、《建模_Unet_GAN》：/am37C
3、《彩绘GAN模型》：/OpfJ7
.............................................
