Keras - model.predict 返回类而不是概率

Posted 2023-02-23

【中文标题】Keras - model.predict 返回类而不是概率

【英文标题】：Keras - model.predict return classes and not probabilities

【发布时间】：2018-07-15 10:49:35

【问题描述】：

我加载了我训练的模型。 这是训练的最后一层：

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(3))
model.add(Activation('sigmoid'))

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

之后，我尝试对随机图像进行预测。 所以我加载模型：

#load the model we created
json_file = open('/path/to/model_3.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
loaded_model = model_from_json(loaded_model_json)
# load weight into model
loaded_model.load_weights("/path/to/model_3.h5")
print("\nModel successfully loaded from disk! ")


# Predicting images
img =image.load_img('/path/to/image.jpeg', target_size=(224, 224))
x = image.img_to_array(img)
x *= (255.0/x.max())
image = np.expand_dims(x, axis = 0)
image = preprocess(image)
preds = loaded_model.predict_proba(image)
pred_classes = np.argmax(preds)
print(preds)
print(pred_classes)

作为输出我得到这个：

[[6.0599333e-26 0.0000000e+00 1.0000000e+00]]
2

这基本上就像我得到[0 0 1] 喜欢predict_classes。虽然我想得到概率。 所以我正在寻找像[0.75 0.1 0.15] 这样的输出。 有什么想法吗？

【问题讨论】：

***.com/questions/48621833/… 是不是同一个问题？你可能是同一个用户？？

【参考方案1】：

如果你想将概率作为网络的输出，你只需要使用 softmax 激活函数而不是 sigmoid

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(3))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

【讨论】：

我改成softmax现在我得到[1 0 0

这是一个分布，这只是意味着网络确定它是第一个。还有其他函数，如“log-softmax”，它给出的输出概率较低，但我认为 softmax 是 keras 提供的唯一一个

好的，我明白了！但是对于我试图获得这些组合的每张照片来说这是否正常？ ([0 1 0])。我的意思是网络对所有照片都如此确定？

例如，我将模型训练成鸟和猫的照片，第三类是混合照片的类。那是图像既不是鸟也不是猫的概率。当我尝试用猫和人对图像进行分类时，我应该得到类 [cat] 的示例 [0,45 0,45 0,1] ，随机，鸟]。但我只得到 [1, 0 ,0]。这就是为什么我告诉我没有得到概率！

softmax 倾向于生成向量，其中只有一个高，其余的都低，但如果你总是得到两个零和一个，那就有点奇怪了。在猫 + 人类 1 0 0 的情况下，这是有道理的，因为如果你的网络正在学习在猫和鸟之间进行分类，如果它看到一只猫，它很可能肯定地说它是一只猫，网络不知道有图片中的一个人。但是请确保您没有过度拟合，这可能是输出总是一个热的另一个原因