我看到来自 torchvision 包的图像分类模型没有 softmax 层作为最终层。例如，以下代码段很容易显示 resnet18 输出的 sum = 1，因此肯定不存在 softmax 层。
from torchvision import models
import torch
model = models.resnet18(pretrained=False)
x = torch.rand(8,3,200,200)
y = model(x)
print(y.sum(dim=1))
那么，问题来了，为什么pytorch vision最后没有放一个softmax层呢？放置一个softmax层可以提高多少性能？为什么？
在 PyTorch 中是否需要 softmax 层来训练神经网络取决于您使用的损失函数。如果您使用torch.nn.CrossEntropyLoss，则 softmax 被计算为损失的一部分。从链接：
损失可以描述为：
这种损失只是 a 和损失的torch.nn.LogSoftmax串联torch.nn.NLLLoss。从以下文档torch.nn.CrossEntropyLoss：
该标准将
LogSoftmax和结合NLLLoss在一个类中。
并来自以下文档torch.nn.NLLLoss：
通过在网络的最后一层添加LogSoftmax层，可以轻松获得神经网络中的对数概率。如果您不想添加额外的层，您可以改用CrossEntropyLoss 。
这些预训练模型的开发人员似乎torch.nn.CrossEntropyLoss在创建它们时就已经考虑到了。