为什么神经网络输出浮点数而不是整数？答案

【问题标题】：Why is neural network output in float instead of integers?为什么神经网络输出浮点数而不是整数？
【发布时间】：2022-01-06 18:05:32
【问题描述】：

我刚刚完成了有关如何构建神经网络的教程。现在我正在尝试为二进制分类构建一个成本敏感的神经网络。但不知何故，当我使用预测函数时，我的输出不是二进制，而是浮点数。我想我做错了什么，但我不知道是什么。

from keras.layers import Dense
from keras.layers import Dropout
cost_sensitive_NN = Sequential()
cost_sensitive_NN.add(Dense(12, activation = 'relu', input_dim=X_train_NN.shape[1]))
cost_sensitive_NN.add(Dropout(0.75))
cost_sensitive_NN.add(Dense(8, activation = 'relu'))
cost_sensitive_NN.add(Dense(1, activation = 'sigmoid'))
cost_sensitive_NN.compile(loss = 'binary_crossentropy',
              optimizer = 'adam',metrics = ['AUC'])
cost_sensitive_NN.fit(X_train_NN, y_train_NN, class_weight = {0:1, 1:100}, epochs = 1)

【问题讨论】：

这是预期行为；输出代表 2 个类的概率，因此它们确实应该是浮点数而不是整数。
@desertnaut 小心，只有在某些情况下，输出才代表概率，即便如此，它们也很少符合应有的水平。 arxiv.org/abs/1706.04599
@AndrewHolmgren 同意，进入校准问题和表示的细节不是我在这里的意图（也不是编程）主题。

标签： tensorflow machine-learning keras neural-network classification

【解决方案1】：

二进制分类中的binary 并不意味着您的模型将输出二进制值。

您在神经网络中的最后一层是Dense layer，输出形状为1。 Dense 层输出的默认类型是浮点数（实际上是it can only be a floating point dtype。通过用binary_crossentropy 损失训练这个模型，我们正在教模型输出0.0 和1.0 之间的浮点数，表示概率属于正类的模型输入。

如果您在推理期间想要像 0 或 1 这样的二进制输出，您可以设置一个概率阈值并返回适当的二进制值，如下所示：

def binary_inference(input_list, threshold=0.8):
    probability_list = cost_sensitive_NN(input_list)
    return probability_list >= threshold

然而，决定一个阈值是whole other topic。

【讨论】：

可以使用矢量化方法代替列表解析：output >= threshold 会给你一个布尔数组。
@jakub 相应编辑