MultiClass Keras 分类器预测输出含义

Question

我有一个使用 Scikit-Learn API 的 Keras 包装器构建的 Keras 分类器。该神经网络有10个输出节点，训练数据全部采用one-hot编码表示。

根据 Tensorflow文档，该predict函数输出形状为(n_samples,). 当我拟合 514541 个样本时，该函数返回一个形状为 的数组(514541, )，数组的每个条目的范围为 0 到 9。

由于我有十个不同的输出，每个条目的数值是否与我在训练矩阵中编码的结果完全对应？

即，如果我的 one-hot 编码的索引 5y_train代表“橙色”，那么预测值 5 是否意味着神经网络预测为“橙色”？

这是我的模型的示例：

model = Sequential()
model.add(Dropout(0.2, input_shape=(32,) ))

model.add(Dense(21, activation='selu'))
model.add(Dropout(0.5))

model.add(Dense(10, activation='softmax'))

Answer 1

你的问题有一些问题。

该神经网络有10个输出节点，训练数据全部采用one-hot编码表示。

由于您的网络有 10 个输出节点，并且您的标签是单热编码的，因此您的模型的输出也应该是 10 维的，并且同样是热编码的，即形状(n_samples, 10)。此外，由于您softmax对最后一层使用激活，因此 10 维输出的每个元素都应位于 [0, 1] 中，并解释为属于相应（one-hot 编码）类的输出的概率。

根据 Tensorflow 文档，预测函数输出的形状为(n_samples,).

令人费解的是，为什么你提到 Tensorflow，而你的模型显然是 Keras 模型；您应该参考Keras顺序APIpredict的方法。

当我拟合 514541 个样本时，该函数返回一个形状为 的数组(514541, )，数组的每个条目的范围为 0 到 9。

如果发生类似的情况，则一定是由于代码中的后续部分未在此处显示所致；无论如何，我们的想法是从每个 10 维网络输出中找到具有最高值的参数（因为它们被解释为概率，所以直观地认为具有最高值的元素是最有可能的）。换句话说，你的代码中的某个地方一定有这样的东西：

pred = model.predict(x_test)
y = np.argmax(pred, axis=1) # numpy must have been imported as np

正如您所报告的，这将给出一个 shape 数组(n_samples,)，每个y数组都是 0 到 9 之间的整数。

即，如果 y_train 的 one-hot 编码的索引 5 表示“橙色”，那么预测值 5 是否意味着神经网络预测为“橙色”？

前提是上述条件成立，是的。