获取 Keras 预测函数的类标签顺序

Question

我在 SO 中与this question 有同样的问题。但是，当我尝试使用 probas_to_classes() 实用程序函数时，**当前代码中已经缺少它：

"""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)

为了获得与模型输出相关的类，您还有其他选择吗？

Answer 1

正如 matias 正确提出的，你应该使用 np.argmax 函数

但由于您通常以批次的形式处理输入，因此您的预测输出很可能是一个矩阵。您可以通过分别对每个参数应用 argmax 来处理它，但我认为使用轴参数会更好。

简而言之：

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

简而言之，一个可以测试的可运行代码：

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)

解释：

首先所有那些 keras 和 numpy 导入和打印功能（因为为什么不）

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 将目标类更改为一种热编码

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

然后回到你需要的课程：

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

在此示例中，y_test_cat 将是您的 model.predict() 函数的输出，因此您可以将其传递给 argmax 以从最高概率预测中恢复您的类。

现在，只是为了确保我们的类“预测”完全是原始类（因为它们应该是，因为“预测”已经是正确的类）计算错误。并打印出来

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

all_zero = not np.any(error)

print (all_zero)

Answer 2

noobalert，要获得前 2 个预测，正如您在 cmets 部分中对 Matias Valdenegro 的问题所要求的那样，您可以执行以下代码：

prediction1 = model.predict(your_data)
# sorting the predictions in descending order
sorting = (-prediction1).argsort()

# getting the top 2 predictions
sorted_ = sorting[0][:2]

for value in sorted_:
    # you can get your classes from the encoder(your_classes = encoder.classes_) 
    # or from a dictionary that you created before.
    # And then we access them with the predicted index.
    predicted_label = your_classes[value]

    # just some rounding steps
    prob = (prediction1[0][value]) * 100
    prob = "%.2f" % round(prob,2)
    print("I have %s%% sure that it belongs to %s." % (prob, predicted_label)

Answer 3

更好的选择是使用sklearn 的标签编码器，它正是为此目的而设计的。

>>> from sklearn.preprocessing import LabelEncoder()
>>> le = LabelEncoder()
>>> le.fit_tranform([1, 2, 2, 6])
array([0, 0, 1, 2])
>>> le.inverse_transform([0, 0, 1, 2])
[1, 2, 2, 6]

本质上，这可用于将任何集合（包括包含非数字的集合）映射为整数映射，在训练过程之后可以反转，以便与类标签清晰关联。

请注意，在 keras 模型中，您可以使用predict_class 函数直接获取转换后的类标签（此时您可以执行inverse_transform），或者如果您想直接从多类输出向量中获取 -这就是当您调用 predict 并对输出层进行 softmax 激活时得到的结果，例如，您可以将其他人提到的 Numpy 的 argmax 与编码器结合使用：

true_labels = le.inverse_transform(list(map(lambda x: np.argmax(x))))

Answer 4

只需在softmax函数的输出上使用numpy的argmax就可以得到概率最大的类。这将返回 [0, N-1] 范围内的类 ID，其中 N 是类数。

pred = model.predict(data here)[0]
classes = np.argmax(pred)