获取Keras预测函数的类标签的顺序

Question

我在SO中有与此问题相同的问题。但是，当我尝试使用probas_to_classes（）实用程序功能时，**它在当前代码中已经丢失：

"""Numpy-related utilities."""
from __future__ import absolute_import

import numpy as np


def to_categorical(y, num_classes=None):
    """Converts a class vector (integers) to binary class matrix.

    E.g. for use with categorical_crossentropy.

    # Arguments
        y: class vector to be converted into a matrix
            (integers from 0 to num_classes).
        num_classes: total number of classes.

    # Returns
        A binary matrix representation of the input.
    """
    y = np.array(y, dtype='int').ravel()
    if not num_classes:
        num_classes = np.max(y) + 1
    n = y.shape[0]
    categorical = np.zeros((n, num_classes))
    categorical[np.arange(n), y] = 1
    return categorical


def normalize(x, axis=-1, order=2):
    """Normalizes a Numpy array.

    # Arguments
        x: Numpy array to normalize.
        axis: axis along which to normalize.
        order: Normalization order (e.g. 2 for L2 norm).

    # Returns
        A normalized copy of the array.
    """
    l2 = np.atleast_1d(np.linalg.norm(x, order, axis))
    l2[l2 == 0] = 1
    return x / np.expand_dims(l2, axis)

为了获取与模型输出关联的类，您还有其他选择吗？

Answer 1

根据Matias的正确介绍，您应该使用np.argmax函数

但是，由于您通常分批处理输入，因此预测输出很可能是矩阵。您可以通过将argmax分别应用于每个参数来处理它，但是我认为最好使用axis参数。

简而言之：

predictions = model.predict(Input)
classes = np.argmax(predictions, axis=1)

很快，您就可以测试可运行的代码：

from __future__ import print_function
import keras
import numpy as np
from keras.datasets import mnist



(x_train, y_train), (x_test, y_test) = mnist.load_data()
num_classes = 10
y_test_cat = keras.utils.to_categorical(y_test, num_classes)
print(y_test)
print(np.argmax(y_test_cat,axis=1))

error = y_test-np.argmax(y_test_cat,axis=1)

all_zero = not np.any(error)

print (all_zero)

说明：

首先，所有这些keras和numpy导入和打印功能（因为为什么不这样做）

from __future__ import print_function
import keras
import numpy as np
from keras.datasets import mnist

然后加载mnist数据

(x_train, y_train), (x_test, y_test) = mnist.load_data()

之后，使用to_categorical将您的目标类别更改为一种热门编码

y_test_cat = keras.utils.to_categorical(y_test, num_classes)

然后回到您需要的课程：

print(np.argmax(y_test_cat,axis=1))

在此示例中，y_test_cat将是model.predict（）函数的输出，因此这就是将其传递给argmax以便从最高概率预测中恢复类的方式。

现在，仅要确保我们的类“预测”与原始类完全相同（因为“预测”已经是正确的类，所以它们应该是原始类），就可以计算出错误。并打印

error = y_test-np.argmax(y_test_cat,axis=1)

all_zero = not np.any(error)

print (all_zero)