理解 tensorflow 二值图像分类结果

Question

在我第一次尝试使用张量流时，我遵循了二进制图像分类教程https://www.tensorflow.org/tutorials/keras/text_classification_with_hub#evaluate_the_model。

我能够很好地遵循教程，但后来我想尝试更仔细地检查结果，即我想看看模型对测试数据集中的每个项目做出了什么预测。

简而言之，我想看看它将预测的“标签”（1 或 0）应用于给定的电影评论。

所以我尝试了：

results = model.predict(test_data.batch(512))

然后

for i in results: print(i)

这让我接近了我的预期。 25,000 个条目的列表（每个电影评论一个）。

但是数组中每一项的值并不是我所期望的。我期待看到一个预测的标签，所以要么是 0（表示负数），要么是 1（表示正数）。

但是我得到了这个：

[0.22731477]
[2.1199656]
[-2.2581818]
[-2.7382329]
[3.8788114]
[4.6112833]
[6.125982]
[5.100685]
[1.1270659]
[1.3210837]
[-5.2568426]
[-2.9904163]
[0.17620209]
[-1.1293088]
[2.8757455]
...and so on for 25,000 entries.

谁能帮我理解这些数字的含义。

我是否误解了“预测”方法的作用，或者（因为这些数字看起来类似于模型第一层中引入的词嵌入向量）也许我误解了预测与词嵌入层和最终分类标签。

我知道这是一个重要的新手问题。但感谢您的帮助和耐心:)

Answer 1

根据您提供的链接，问题来自您的输出激活函数。该代码使用具有 1 个没有激活函数的神经元的密集向量。所以它只是将前一层的输出与权重和偏差相乘，然后将它们相加。您获得的输出将介于 -infinity（负类）和 +infinity（正类）之间，因此，如果您真的希望输出介于 0 和 1 之间，则需要一个激活函数，例如 sigmoid model.add(tf.keras.layers.Dense(1), activation='sigmoid')。现在我们只是将所有事物映射到 0 到 1 的范围内，因此如果输出小于 0.5（中点），我们可以将其分类为负类，反之亦然。

其实你对预测函数的理解是正确的。您只是没有添加激活以符合您的假设，这就是为什么您使用该输出而不是 0 和 1 之间的值。