测量模型不确定性的两种简单方法

在本文中，我们将介绍两种方法，它们允许你获得模型的不确定性：蒙特卡罗Dropout法（MC Dropout）和深度集成法。

它们适用于各种各样的任务，但在本文中，我们将展示一个图像分类的示例。它们都相对容易理解和实现，都可以很容易地应用于任何现有的卷积神经网络架构（例如ResNet、VGG、RegNet等）。

为了帮助你快速轻松地应用这些技术，我将提供用PyTorch编写的这些技术的补充代码。

给出两个杯子的图像，你的预测模型有多确定？

在我们开始之前，让我们回顾一下测量模型不确定性意味着什么，以及它如何对你的机器学习项目有用。

什么是模型不确定性？

就像人类一样，机器学习模型可以对其预测显示一定程度的信心。一般来说，在讨论模型不确定性时，需要区分了认知不确定性和任意不确定性。

认知不确定性是在模型参数中表示的不确定性。这种类型的不确定性可以通过额外的训练数据来减少，因此具有“可减少的不确定性”的替代名称。

任意不确定性捕获环境固有的噪声，即观测。与认知不确定性相比，这种类型的不确定性不能用更多的数据来减少，而是用更精确的传感器输出来减少。

第三种类型称为预测不确定性，即模型输出中传递的不确定性。预测不确定性可以结合认知不确定性和任意不确定性。

分类器的softmax输出示例：

如果你自己已经训练过简单的神经网络，那么最直观的想法就是模型的softmax输出，即你经常看到的作为模型预测结果显示的百分比值。

但是，使用softmax输出作为模型不确定性的度量可能会产生误导，并且不是很有用。这是因为softmax函数所做的只是计算模型不同激活值之间的某种“关系”。

因此，你的模型可以在其输出层的所有神经元中具有较低的激活值，并且仍然达到较