![](/img/trans.png)
[英]Keras' model.predict() give an output in binary with softmax activation layer
[英]Keras model.predict with sigmoid activation and binary cross entropy returns only 0 or 1, not probability
我正在 Keras 中構建 NN,其中 class 預測重疊。 據我了解,“sigmoid”激活 function 應該返回屬於 class 的概率。 但是,當我嘗試使用 model.predict(...) 時,它只返回零或一。 您能否告訴我哪里出了問題以及如何獲得屬於 class 的概率?
input_stock = Input(shape=input_shape,dtype='float32')
stock_data= Conv2D(32, (1,5), padding='same', activation='relu')(input_stock)
stock_data = MaxPooling2D((1,2),strides=(1,2))(stock_data)
stock_data= Conv2D(8, (1,5), padding='same', activation='relu')(stock_data)
stock_data = MaxPooling2D((1,5),strides=(1,5))(stock_data)
stock_data= Conv2D(8, (154,5), padding='same', activation='relu')(stock_data)
stock_data = MaxPooling2D((1,2),strides=(1,2))(stock_data)
stock_data=Flatten()(stock_data)
stock_data=Dropout(.5)(stock_data)
output_layer = Dense(maxnumassets, activation='sigmoid')(stock_data)
model = Model(inputs=input_stock, outputs=output_layer)
return model
Output of model.predict (there are 150 classes), looks like below.
array([[1., 1., 0., 0., 1., 1., 0., 1., 0., 0., 0., 1., 0., 1., 1., 1.,
0., 0., 1., 1., 0., 0., 1., 0., 0., 1., 0., 0., 0., 0., 1., 0.,
0., 1., 0., 0., 1., 1., 1., 1., 0., 1., 1., 0., 0., 0., 0., 1.,
0., 1., 1., 1., 1., 1., 0., 0., 0., 0., 1., 1., 1., 0., 0., 1.,
0., 0., 0., 1., 1., 0., 0., 0., 0., 0., 0., 0., 0., 1., 1., 1.,
1., 1., 0., 0., 1., 1., 1., 0., 0., 0., 1., 0., 1., 0., 0., 0.,
1., 1., 1., 0., 0., 0., 1., 0., 1., 0., 1., 1., 1., 0., 1., 1.,
0., 0., 1., 1., 1., 0., 0., 0., 0., 1., 1., 0., 1., 1., 1., 1.,
0., 0., 0., 1., 1., 0., 0., 0., 1., 0., 1., 0., 1., 0., 1., 1.,
1., 1., 0., 0., 0., 0.]], dtype=float32)'''
Dimensions of the data are as follows:
train (715, 150, 100, 2)
ytrain (715, 150)
xtest (80, 150, 100, 2)
ytest (80, 150)
如果您只是直接使用model.predict(xtest)
,那么您的代碼通常會給出 0 和 1 以外的值,參見。 下面的示例僅將 model 應用於隨機數據。
如果你沒有,也許你過擬合了,或者你的 model 完全適合你的數據。 嘗試將model.predict
應用於與您的數據無關的數組。
另一件似乎不對的事情是,您在示例 output 中給出了一個形狀數組(1, 150)
,但如果xtest.shape
確實是(80, 150, 100, 2)
,那么model.predict(xtest).shape
是(80, 150)
。
input_shape = (150, 100, 2)
maxnumassets = 150
input_stock = Input(shape=input_shape,dtype='float32')
stock_data = Conv2D(32, (1,5), padding='same', activation='relu')(input_stock)
stock_data = MaxPooling2D((1,2),strides=(1,2))(stock_data)
stock_data = Conv2D(8, (1,5), padding='same', activation='relu')(stock_data)
stock_data = MaxPooling2D((1,5),strides=(1,5))(stock_data)
stock_data = Conv2D(8, (154,5), padding='same', activation='relu')(stock_data)
stock_data = MaxPooling2D((1,2),strides=(1,2))(stock_data)
stock_data = Flatten()(stock_data)
stock_data = Dropout(.5)(stock_data)
output_layer = Dense(maxnumassets, activation='sigmoid')(stock_data)
model = Model(inputs=input_stock, outputs=output_layer)
train = np.random.uniform(size=(775, 150, 100, 2))
ytrain = np.random.uniform(size=(775, 150))
xtest = np.random.uniform(size=(80, 150, 100, 2))
ytest = np.random.uniform(size=(80, 150))
model.compile('adam', 'mse')
model.fit(train, ytrain)
model.predict(xtest)
Output:
array([[0.50180054, 0.49852884, 0.49954456, ..., 0.4990623 , 0.49985167,
0.4994816 ],
[0.50180054, 0.49852884, 0.49954456, ..., 0.4990623 , 0.49985167,
0.4994816 ],
[0.50180054, 0.49852884, 0.49954456, ..., 0.4990623 , 0.49985167,
0.4994816 ],
...,
[0.50180054, 0.49852884, 0.49954456, ..., 0.4990623 , 0.49985167,
0.4994816 ],
[0.50180054, 0.49852884, 0.49954456, ..., 0.4990623 , 0.49985167,
0.4994816 ],
[0.50180054, 0.49852884, 0.49954456, ..., 0.4990623 , 0.49985167,
0.4994816 ]], dtype=float32)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.