如何从密集层的所有预测输出中以最大概率获得输出？答案

【问题标题】：How to get output with maximum probability from the all the predicted outputs from dense layer?如何从密集层的所有预测输出中以最大概率获得输出？
【发布时间】：2019-03-09 13:12:23
【问题描述】：

我训练了一个用于手语识别的神经网络。这是我的输出层 model.add(Dense(units=26,activation="softmax")) 现在我得到了所有 26 个字母的概率。当我测试这个模型accuracy = model.evaluate(x=test_X,y=test_Y,batch_size=32) 时，不知何故我得到了 99% 的准确率。我是新来的。我无法理解这段代码是如何工作的，而且我在这里遗漏了一些重要的东西。如何获得一个只有预测字母表的一维列表？

【问题讨论】：

标签： python machine-learning keras deep-learning data-science

【解决方案1】：

要获得概率，您需要执行以下操作：

prediction = model.predict(test_X)
probs = prediction.max(1)

但重要的是要记住，softmax 并不能准确地提供每个类的概率。

【讨论】：

这个可以用吗？那么模型如何在测试数据集上获得准确性呢？预测所有字母？
我觉得用这个没问题。至于计算准确率，基本上是这样的：对于每个样本，预测的类别是概率最高的类别。您可以通过prediction.argmax(1) 获取。然后将预测的类与原始类进行比较。

【解决方案2】：

要在单个列表中获得最大概率的输出，请运行：

np.argmax(model.predict(x_test),axis=1)

【讨论】：

【解决方案3】：

假设字母表是一个包含所有字母符号的列表alphabet = ['a', 'b', ...]

pred = model.predict(test_X)
pred_ind = pred.max(1)
pred_alphabet = [alphabet[ind] for ind in pred_ind]

将为您提供带有预测符号的列表。

【讨论】：

【解决方案4】：

在神经网络中，第一层用于您拥有的输入图像。假设您的图像是 32x32 像素。在这种情况下，输入层中将有 32x32x3 个节点。这 3 用于 RGA 配色方案。然后根据您的设计和模型，您应该使用适当数量的隐藏输入层。在大多数情况下，我们使用 2 个隐藏输入层。然后最后一层是你拥有的不同类的数量。假设您要识别 26 个不同的标志。然后你将在最后一层有 26 个节点。

model.evaluate(x=test_X,y=test_Y,batch_size=32) 我认为您正在尝试对您的测试数据集进行预测。起初，您可能已将数据集分为训练集和测试集。这里 test_X 代表测试集中的图像。 test_Y 代表相应的标签。您试图通过一次拍摄 32 张图像来评估您的网络。这就是batch_size=32的意思。

我认为这些信息可能有助于您了解自己在做什么。但是你的问题不清楚。请参考以下教程。这可能对你有帮助。 https://www.pyimagesearch.com/2018/09/10/keras-tutorial-how-to-get-started-with-keras-deep-learning-and-python/

【讨论】：