pytorch-模型预测概率值为负数

 在进行ocr识别模型预测的时候,发现预测的结果是正确的,但是概率值是负数:

net_out = net(img) #torch.Size([70, 1, 41]) 
logit, preds = net_out.max(2) #41是类别 需要对类别取最大值
preds = preds.transpose(1, 0).contiguous().view(-1) #torch.Size([70]) 70是序列,每个序列找到对应的类别了
lab2str,char_logit = decode_out(preds,logit, args.characters) #最终输出lab2str代表字符连起来的字符串,char_logit代表每个字符的概率值

于是添加了softmax之后,概率值恢复正常:

net_out = net(img)
######## 添加softmax ########
net_out = torch.softmax(net_out, dim=2)
logit, preds = net_out.max(2)
preds = preds.transpose(1, 0).contiguous().view(-1)
lab2str,char_logit = decode_out(preds,logit, args.characters)

 

  • 9
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
pytorch-cnn-股票预测是一个使用PyTorch框架实现的卷积神经网络模型,用于预测股票价格走势的源代码。 这个项目的目的是通过训练一个卷积神经网络模型,来预测股票价格的未来走势。卷积神经网络是一种深度学习模型,通过自动提取特征并学习数据之间的非线性关系来进行预测。 在这个源码中,首先进行数据的预处理。通常会使用历史股票价格的时间序列作为输入数据,以及对应的目标值作为标签。数据预处理的操作可能包括数据标准化、缺失值填充等等。 接下来,我们构建卷积神经网络模型。在源码中,可能会使用PyTorch提供的卷积层(Convolutional Layer)、池化层(Pooling Layer)和全连接层(Fully Connected Layer)等组件来构建模型,以及使用ReLU、Dropout等激活函数和正则化方法来提高模型的性能。 然后,我们定义损失函数,通常选择均方误差(Mean Squared Error)或交叉熵损失(Cross Entropy Loss)作为模型训练的目标函数,以便优化模型预测结果。 最后,我们使用训练数据来训练模型,并使用测试数据来评估模型的性能。在源码中,我们会定义训练函数和测试函数,通过迭代训练,不断调整模型参数,以使得模型能够更准确地预测未知数据的输出结果。 总结来说,pytorch-cnn-股票预测-源码是一个基于PyTorch框架实现的卷积神经网络模型,用于预测股票价格走势的源代码。通过数据预处理、构建网络模型、定义损失函数和训练评估等步骤,可以使用这个代码来进行股票预测模型训练和测试。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值