当模型在softmax之后输出预测时，如下所示：[0.39, 0.56, 0.05] TF是否使用0.5作为阈值，所以它预测的类是类1？
不，这里没有任何门槛。Tensorflow（以及任何其他框架）将只选择最大值（argmax）;这里的结果（类1）将是相同的，即使概率输出是[0.33, 0.34, 0.33]。
你似乎错误地认为概率值0.5在3类分类问题中具有某种特殊意义;它没有 *：概率值0.5仅在二进制分类设置中是“特殊的”（并且就此而言，是 * 平衡的）。在n类设置中，相应的“特殊”值是1/n（这里是0.33），根据定义，概率向量中 * 总是 * 有一些条目大于或等于这个值。
如果所有的预测都小于0.5，比如[0.33, 0.33, 0.33]，TF会说结果是什么？
正如已经暗示的那样，在n>2的n类问题中，所有概率都低于0.5并没有什么奇怪或意外的。
现在，如果所有的概率碰巧是 * 相等的 *，就像你在例子中所展示的那样（虽然在实践中极不可能，但这个问题是有效的，至少在理论上是有效的），理想情况下，这样的关系应该是随机解决的（即，随机挑选一个类）;在实践中，由于这个阶段通常由Numpy的argmax方法处理，因此预测将是第一类（即，class 0），这并不难证明：

import numpy as np
x = np.array([0.33, 0.33, 0.33])
np.argmax(x)
# 0

由于Numpy如何处理此类情况-来自argmax docs：
在多次出现最大值的情况下，返回与第一次出现对应的索引。
你的下一个问题：
有没有办法指定一个新阈值（例如0.7），并确保如果没有类别预测高于该阈值，则TF表示预测是错误的？
不是在Tensorflow（或任何其他框架）本身，但这总是可以在推理期间的 * 后处理 * 阶段完成的：不管你的分类器实际返回的是什么，总是可以添加一些额外的逻辑，这样每当最大概率值小于阈值时，你的 * 系统 （即，你的模型加上后处理逻辑）返回类似“I don 't know / I am not sure / I can 't answer"的内容。但同样，这是Tensorflow（或使用的任何其他框架）和模型本身的外部，它只能在推理过程中使用，而不能在训练过程中使用（在任何情况下，它在训练过程中都没有意义，因为在训练过程中只使用预测的类概率，而不是硬类）。
事实上，我们几年前在一个玩具项目中实现了这样一个后处理模块，这是一个在线服务，可以从图像中分类狗比赛：当模型返回的最大概率小于阈值时（例如，当模型呈现猫而不是狗的图像时），系统被编程为用问题“ 你确定这是狗 *"来响应。，而不是被迫在预定义的赛狗中做出预测.

阈值用于二进制分类或多标签分类的情况下，在多类分类的情况下，您使用argmax，基本上具有最高激活的类是您的输出类，所有类很少彼此相等，如果模型训练良好，则应该有一个主导类