如何确定 Keras 上的卷积神经网络预测的二元类？

Question

我正在构建一个 CNN 来对 Keras 进行情绪分析。 一切正常，模型已经过训练，可以投入生产了。

但是，当我尝试使用 model.predict() 方法对新的未标记数据进行预测时，它只会输出相关的概率。我尝试使用 np.argmax() 方法，但它总是输出 0，即使它应该是 1（在测试集上，我的模型达到了 80% 的准确率）。

这是我预处理数据的代码：

# Pre-processing data
x = df[df.Sentiment != 3].Headlines
y = df[df.Sentiment != 3].Sentiment

# Splitting training, validation, testing dataset
x_train, x_validation_and_test, y_train, y_validation_and_test = train_test_split(x, y, test_size=.3,
                                                                                      random_state=SEED)
x_validation, x_test, y_validation, y_test = train_test_split(x_validation_and_test, y_validation_and_test,
                                                                  test_size=.5, random_state=SEED)

tokenizer = Tokenizer(num_words=NUM_WORDS)
tokenizer.fit_on_texts(x_train)

sequences = tokenizer.texts_to_sequences(x_train)
x_train_seq = pad_sequences(sequences, maxlen=MAXLEN)

sequences_val = tokenizer.texts_to_sequences(x_validation)
x_val_seq = pad_sequences(sequences_val, maxlen=MAXLEN)

sequences_test = tokenizer.texts_to_sequences(x_test)
x_test_seq = pad_sequences(sequences_test, maxlen=MAXLEN)

这是我的模型：

MAXLEN = 25
NUM_WORDS = 5000
VECTOR_DIMENSION = 100

tweet_input = Input(shape=(MAXLEN,), dtype='int32')

tweet_encoder = Embedding(NUM_WORDS, VECTOR_DIMENSION, input_length=MAXLEN)(tweet_input)

# Combinating n-gram to optimize results
bigram_branch = Conv1D(filters=100, kernel_size=2, padding='valid', activation="relu", strides=1)(tweet_encoder)
bigram_branch = GlobalMaxPooling1D()(bigram_branch)
trigram_branch = Conv1D(filters=100, kernel_size=3, padding='valid', activation="relu", strides=1)(tweet_encoder)
trigram_branch = GlobalMaxPooling1D()(trigram_branch)
fourgram_branch = Conv1D(filters=100, kernel_size=4, padding='valid', activation="relu", strides=1)(tweet_encoder)
fourgram_branch = GlobalMaxPooling1D()(fourgram_branch)
merged = concatenate([bigram_branch, trigram_branch, fourgram_branch], axis=1)

merged = Dense(256, activation="relu")(merged)
merged = Dropout(0.25)(merged)
output = Dense(1, activation="sigmoid")(merged)

optimizer = optimizers.adam(0.01)

model = Model(inputs=[tweet_input], outputs=[output])
model.compile(loss="binary_crossentropy", optimizer=optimizer, metrics=['accuracy'])
model.summary()

# Training the model
history = model.fit(x_train_seq, y_train, batch_size=32, epochs=5, validation_data=(x_val_seq, y_validation))

我还尝试将最终 Dense 层的激活次数从 1 更改为 2，但出现错误：

Error when checking target: expected dense_12 to have shape (2,) but got array with shape (1,)

Answer 1

你正在做二进制分类。所以你有一个密集层，由一个单元组成，激活函数为sigmoid。 Sigmoid 函数在 [0,1] 范围内输出一个值，该值对应于给定样本属于正类（即第一类）的概率。低于 0.5 的所有内容都标记为 0（即负类），高于 0.5 的所有内容都标记为 1。因此，要找到预测的类，您可以执行以下操作：

preds = model.predict(data)
class_one = preds > 0.5

class_one 的真实元素对应于标记为 1 的样本（即正类）。

奖励：要找到预测的准确性，您可以轻松地将 class_one 与真实标签进行比较：

acc = np.mean(class_one == true_labels)

请注意，我假设true_labels 由零和一组成。

---

此外，如果您的模型是使用 Sequential 类定义的，那么您可以轻松使用predict_classes 方法：

pred_labels = model.predict_classes(data)

但是，由于您使用 Keras 函数式 API 来构建模型（在我看来，这样做是一件非常好的事情），因此您不能使用 predict_classes 方法，因为它对于此类模型的定义不明确.