python - 如何解释 model.predict 返回的结果？

Question

我正在尝试制作一个可以识别图片中是否有猫的神经网络。我找到了 this tutorial在 tensorflow 网站上并尝试使其适应我的问题。本教程用于分类猫和狗，但由于我只想检测猫，所以我将类别更改为猫和非猫。

对于非猫，我下载了一个随机图像数据集。

我在教程中的代码中添加了两个生成器:

test_data_gen = test_image_generator.flow_from_directory(batch_size=batch_size,
                                                               directory=test_dir,
                                                               target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                               class_mode='binary')

pred_data_gen = pred_image_generator.flow_from_directory(batch_size=batch_size,
                                                                 directory=pred_dir,
                                                                 target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                                 class_mode='binary')

然后像这样测试模型:

print('\n# Evaluate on test data')
results = model.evaluate_generator(test_data_gen)
print('test loss, test acc:', results)

print('\n# Generate predictions')
predictions = model.predict(pred_data_gen)
print(len(predictions))
print(predictions)

这是输出:

# Evaluate on test data
test loss, test acc: [0.45212748232815003, 0.9324082]
# Generate predictions for custom samples
256
[[ -8.023465  ]
 [ -7.781438  ]
 [ 50.281197  ]
 [-10.172492  ]
 [ -5.1096087 ]
 [ 43.0299    ]
 [ 21.416649  ]
 ...
 [-10.866359  ]
 [-14.797473  ]
 [ 84.72212   ]
 [ 23.712345  ]
 [ -6.4916744 ]
 [-18.384903  ]
 [ 33.10642   ]]

测试准确率很高，但我不知道这些结果是什么意思。我认为它们应该在 0 和 1 之间，但它们甚至有负值。我应该如何解释这些结果？

编辑:

这是我的模型(在最后一层添加 sigmoid 激活函数之前):

model = Sequential([
    Conv2D(16, 3, padding='same', activation='relu', input_shape=(IMG_HEIGHT, IMG_WIDTH, 3)),
    MaxPooling2D(),
    Conv2D(32, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Conv2D(64, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Flatten(),
    Dense(512, activation='relu'),
    Dense(1)
])

我将最后一层更改为 Dense(1, activation='sigmoid')，输出如下所示:

# Evaluate on test data
test loss, test acc: [0.714477022488912, 0.5949367]

# Generate predictions for custom samples
256
[[1.]
 [1.]
 [1.]
 ...
 [1.]
 [1.]
 [1.]]

所有预测值都是 1，即使在测试集中只有一半的图像是猫。

编辑2:

以下是我如何编译和拟合模型:

model.compile(optimizer='adam',
              loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=['accuracy'])

model.summary()

history = model.fit_generator(
    train_data_gen,
    steps_per_epoch=total_train // batch_size,
    epochs=epochs,
    validation_data=val_data_gen,
    validation_steps=total_val // batch_size
)

Answer 1

模型中的最后一层是具有单个神经元的 Dense 层。由于未向其传递任何参数，因此默认情况下它具有线性激活。用户@Code Pope 表示这是一个“失败”(Tensorflow 文档中的错误？)。不是，代码完全没问题。

你的损失函数计算二元交叉熵，它可以很容易地与线性激活一起工作。事实上，计算 sigmoid 只是一些额外的东西，并不需要。人工神经网络将为一类输出负值，为另一类输出正值。它们没有标准化，而是所谓的 logits - 这就是为什么你在损失函数中说 from_logits=True。

如何获得预测:

from sklearn.metrics import accuracy_score

images, actual = next(train_data_gen)
predictions = model.predict(images)
predictions = (predictions > 0).flatten()
accuracy_score(results, pred)