为什么在 TensorFlow Get started with Eager 教程中输出总和为 1？
Why do the outputs sum to 1 in the TensorFlow Get started with Eager tutorial?
我做了这个教程：https://www.tensorflow.org/get_started/eager
非常有帮助，但我不明白为什么输出总和为 1。它被描述为 "For this example, the sum of the output predictions are 1.0"，但没有解释。我以为这可能是激活函数的一个特性，但我读到 ReLu 可以取任何值 >0 (https://medium.com/the-theory-of-everything/understanding-activation-functions-in-neural-networks-9491262884e0).
我想了解，因为我想了解在哪些情况下应该规范化输出变量，在哪些情况下这不是必需的（我假设如果它们总和为 1，则没有必要）。
在给定的例子中，句子outputs always sum to 1指的是使用的softmax函数，与归一化或您使用的激活函数无关。在本教程的 Iris 示例中，我们想要区分三个 classes，当然 class 概率的总和不能超过 100% (1.0)。
例如，位于网络末端的 softmax 函数可以 return [0.8, 0.1, 0.1]。这意味着第一个 class 的概率最高。注意：所有单个 probas 结果的总和为 1.0。
我做了这个教程：https://www.tensorflow.org/get_started/eager
非常有帮助，但我不明白为什么输出总和为 1。它被描述为 "For this example, the sum of the output predictions are 1.0"，但没有解释。我以为这可能是激活函数的一个特性，但我读到 ReLu 可以取任何值 >0 (https://medium.com/the-theory-of-everything/understanding-activation-functions-in-neural-networks-9491262884e0).
我想了解，因为我想了解在哪些情况下应该规范化输出变量，在哪些情况下这不是必需的（我假设如果它们总和为 1，则没有必要）。
在给定的例子中，句子outputs always sum to 1指的是使用的softmax函数，与归一化或您使用的激活函数无关。在本教程的 Iris 示例中，我们想要区分三个 classes，当然 class 概率的总和不能超过 100% (1.0)。
例如，位于网络末端的 softmax 函数可以 return [0.8, 0.1, 0.1]。这意味着第一个 class 的概率最高。注意：所有单个 probas 结果的总和为 1.0。