如何在张量流中将单个神经元的输出转换为 0 和 1 类

Question

我在 Titanic 数据集上做了一个 NN。为了计算模型的精度，如果 Z3/A3​​ 高于 0.5，我希望输出为 1，否则为 0。

如果还有其他方法可以做这种事情。那么请告诉。

这是我的前向道具功能

def forward_prop(X, parameters):
    W1 = parameters['W1']
    W2 = parameters['W2']
    b1 = parameters['b1']
    b2 = parameters['b2']
    W3 = parameters['W3']
    b3 = parameters['b3']

    Z1 = tf.matmul(W1, tf.transpose(X))
    A1 = tf.nn.relu(tf.add(Z1, b1))
    Z2 = tf.matmul(W2, A1)
    A2 = tf.nn.relu(tf.add(Z2, b2))
    Z3 = tf.matmul(W3, A2)
    A3 = tf.nn.softmax(tf.add(Z3, b3))

    return A3

A3的输出形状是(1,1)

这是成本函数

def compute_cost(Z3, Y, m):
    cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
        labels=tf.transpose(Y), logits=Z3))
    return cost

它以一些数字的形式给出输出...我希望输出为离散类，即 0 和 1。

请帮忙！！

Answer 1

tf.nn.softmax() 计算类（输出神经元）的概率分布，如果你只有 1 个输出神经元，那么 1 个神经元的概率分布将始终为 1.0。我建议将tf.sigmoid() 与tf.greater() 结合使用，例如：

A3 = tf.sigmoid(tf.add(Z3, b3))
# ...
prediction = tf.greater(A3, 0.5)

如果 A3 大于 0.5，

prediction 将返回 True，否则返回 False。 您可以将布尔 预测 转换为其他类型，例如整数：

class_label = tf.cast(prediction, tf.int32)

这样 True 将被转换为 1 和 False 为 0。 至于代价函数，使用tf.nn.sigmoid_cross_entropy_with_logits()：

cost = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=tf.transpose(Y), logits=Z3))

This post 有更多关于单神经元二元分类的详细信息，我建议您进一步研究一下。