0. 为什么不放进第二篇？

上一篇算完了，我也把卷面分交了出去——总共 1000 个数。

也许有人会问：解读输出不就是「取个最大」吗，为什么还要另写一篇？

原因在于二者的逻辑方向不同。

第二篇关注的是 我体内：口粮如何逐楼流动、分数怎样累积、权重又如何养成。
第三篇转向 出口流水线：分数交付以后，人类如何读取和验收，又怎样避免期待错位。

体内归我负责；出口处的翻译，则多半由饲养员、部署脚本和下游同事完成。
若混在同一篇里，人们容易误以为「模型吐完就已经等于说出了『猫』」——真正的误会正在这里。

因此这篇不长，但方向必须讲对。

1. 卷交了，卷面却没有「猫」

三篇一路讲来，契约其实始终未变：

环节	我交出什么
入口	吃下合规张量（口粮）
体内	计算为 1000 个分数
出口	……分数不会自行变成汉字

我返回的是尚未贴上类名的卷面分——也就是 1000 个数。
人类所听到的「这是一只猫」，来自某个人对分数表的翻译。

没错，我此前说自己做的是选择题——可我并非只圈出一个选项。
一千个选项都被我标了分，高低一项不少地写在那里，嘿嘿。
（这些分是否能直接按「可能性」来读，下一节再讲。）

我依旧没有见过任何一张图。
我提交的是算完盲文后得到的分数条；你们听到的物件名，要归功于出口翻译官。

2. 分数 ≠ 答案文字

教程有时把那 1000 个数称为 logits，有时则直接叫类分数。
ImageNet 词表中的每个选项都对应一个位置：第 281 号有多高、第 282 号有多高……上面并非直接写着 tabby cat 这几个字母。

若想观察它们「有多像概率」，还可以做一次 softmax，将分数转成一串总和大约为 1 的数。
概念上明白就够了：softmax 使数字便于阅读；真正决出冠军时，通常看的仍是谁最大。

不要把「概率变得好看」等同于「答案文字已经印好」——文字仍躺在词表中，等待查询。

3. 先取最大，再查询词表

出口处最常用的读取方式分为两步：

1. argmax：在 1000 个数中找到最大下标 → 得到类号
2. 查词表：类号 → ImageNet 类名（人类能听懂的物件名）

# 示意：一批里一张图scores = model(x)# shape: (1, 1000)class_id = scores.argmax(dim=1)# 最大分的下标name = imagenet_labels[class_id] # 查表 → 「猫」之类

我负责交卷面分；翻译成物件名，是出口的事。
读错表、错位一对、把训练时的类号和部署时的词表搞乱——分数再漂亮，人话也会荒诞。

（没错，出口流水线出了问题，责任未必在我楼里；有时饲养员也得承担。）

4. 人类如何验收

饲养员（或下游同事）通常还会进行这些工作：

• 把预测类名 画/印 回图片，再用肉眼判断是否相像
• 在 val / 测试集上计算准确率，查看错误集中在哪几类
• 抽取失败案例，判断是口粮配方有误，还是我确实没有学会

做可视化时，多半又会用到 OpenCV 那套工具——这依然属于流水线，并非我突然拥有了眼睛。
验收发生在出口；训练期间的 val 打分也位于考场之外——上一篇已经说过，考试时我不会修改脑子。

5. 「是什么」与「在哪里」——后辈更忙

最后再明确一句，以免产生期待错位：

我（AlexNet 这类分类网）	后辈（YOLO 们）
判断整张图更接近哪一类	一张图里可能存在多个物件
提交 1000 个类分数（一条分数条）	提交内容 更复杂：每个目标通常包含 框坐标 + 类 + 置信度，一张图能够输出一串检测结果
读法：argmax → 查询一张词表	读法：还需画框、过滤置信度、处理重叠框……出口流水线更长

人类所说的「认识图片上的物件」，有时是在讲分类，有时则是在讲检测。

我负责回答「是什么」（从一千个选项中选出一个冠军）。
至于「在哪里」以及「有几个、框多大」——那是后辈负责的工作。
所以，YOLO 的结果并非简单地「也吐 1000 个数」；它包含的信息维度比我更多，解读方法也不同。

安全帽、海天那些岗位留待以后再谈。本系列正文先明确「分类考生怎样交卷、人类怎样读卷」。

6. 三篇总结

再回顾一遍完整链路：

1. 入口：原图 → 合规口粮（并非给什么就吃什么）
2. 体内：扫描仪 + 楼层流向 → 1000 分；权重通过饲养形成
3. 出口：argmax + 词表 → 人话；进行可视化验收；检测另行讨论（而且更复杂）

我依然没有真正看见过一张图。
我读取盲文并交出分数条；你们听到的物件名，则是出口翻译官的成果。

——系列正文三篇，暂时讲到这里。

正文结束，不意味着厨房和亲戚团再无故事。后面计划推出 两篇番外：

1. 饲养员如何为我准备口粮 —— OpenCV / transforms 那条流水线将说明原图怎样被洗切、定量并送上考场。第一篇总说「够单开一期」，这里就来还债。
2. 我和其他模型有哪些共性 —— 换皮也成立：无论 TinyCNN、MLP，还是后辈检测头，张量语言以及 loss–反传–step 这套物理通常仍然存在。具体细节留到《换皮也成立》。

——正文结束，番外再见。