Keras 返回二进制结果

Question

我想预测 2 种疾病的种类，但我得到的结果是二进制的（比如 1.0 和 0.0）。我怎样才能获得这些的准确性（如 0.7213）？

---

培训代码：

from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

# Intialising the CNN
classifier = Sequential()

# Step 1 - Convolution
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))

# Step 2 - Pooling
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Adding a second convolutional layer
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))

# Step 3 - Flattening
classifier.add(Flatten())

# Step 4 - Full connection
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))

# Compiling the CNN
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

# Part 2 - Fitting the CNN to the images
import h5py

from keras.preprocessing.image import ImageDataGenerator

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)

test_datagen = ImageDataGenerator(rescale = 1./255)


training_set = train_datagen.flow_from_directory('training_set',
                                                 target_size = (64, 64),
                                                 batch_size = 32,
                                                 class_mode = 'binary')

test_set = test_datagen.flow_from_directory('test_set',
                                            target_size = (64, 64),
                                            batch_size = 32,
                                            class_mode = 'binary')


classifier.fit_generator(training_set,
                         steps_per_epoch = 100,
                         epochs = 1,
                         validation_data = test_set,
                         validation_steps = 100)

---

单预测码：

import numpy as np
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img,image

test_image = image.load_img('path_to_image', target_size = (64, 64))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = classifier.predict(test_image)

print(result[0][0]) # Prints 1.0 or 0.0
# I want accuracy rate for this prediction like 0.7213

---

文件结构如下：

• 测试集

  • 良性的
    • beigne_images
  • 温和的
    • melignant_images

• 训练集

训练集结构也与测试集相同。

Answer 1

更新：正如您在 cmets 中阐明的那样，您正在寻找给定一个测试样本的每个类别的概率。因此您可以使用predict 方法。但是，请注意，您必须首先以与训练阶段相同的方式对图像进行预处理：

test_image /= 255.0
result = classifier.predict(test_image)

result 是给定图像属于第一类（即正类）的概率。

---

如果您有测试数据生成器，那么您可以使用evaluate_generator() 来获取模型在测试数据上的损失以及准确度（或您设置的任何其他指标）。

例如，在拟合模型后，即使用fit_generator，您可以在测试数据生成器上使用evaluate_generator，即test_set：

loss, acc = evaluate_generator(test_set)