Keras中predict()方法和predict_classes()方法的区别

正如上篇博客中所讲，在Keras框架下执行深度学习任务时，一般会先根据训练数据集训练出模型，然后拿训练好的模型到生产环境（测试集）中部署并生产。以分类问题为例，当训练好了分类模型之后，我们要用这个模型预测测试集中每一个样本的标签，这里有两个常用的方法：predict()方法和predict_classes()方法，下面将以具体例子说明二者的区别。

相关文件的下载地址如下：
链接：https://pan.baidu.com/s/1qQU3FTtGeLYK5jXn0cRpQQ
提取码：qn8r

1 predict()方法
当使用predict()方法进行预测时，返回值是数值，表示样本属于每一个类别的概率，我们可以使用numpy.argmax()方法找到样本以最大概率所属的类别作为样本的预测标签。下面以卷积神经网络中的图片分类为例说明，代码如下：

import numpy as np
import scipy.misc
from keras.models import model_from_json
from keras.optimizers import SGD

# 加载模型
model_architecture = 'cifar10_architecture.json'
model_weights = 'cifar_weights.h5'
model = model_from_json(open(model_architecture).read())		# 加载模型结构
model.load_weights(model_weights)		# 加载模型权重

# 加载图片
img_names = ['cat.jpg', 'deer.jpg', 'dog.jpg']
# np.transpose:对数组进行转置，返回原数组的视图
# scipy.misc.imresize：重新调整图片的形状
# scipy.misc.imread：将图片读取出来，返回np.array类型
imgs = [np.transpose(scipy.misc.imresize(scipy.misc.imread(img_name), (32, 32)), (1, 0, 2)).astype('float32')
		for img_name in img_names]
imgs = np.array(imgs) / 255		# 归一化

# 训练
optim = SGD()
model.compile(loss='categorical_crossentropy', optimizer=optim, metrics=['accuracy'])		# 编译模型

# 预测样本属于每个类别的概率
print(model.predict(imgs))		# 打印概率
print(np.argmax(model.predict(imgs), axis=1))		# 打印最大概率对应的标签
# [[3.3745366e-01 2.2980917e-02 2.0197949e-03 1.2046755e-02 1.9850987e-03
#   1.3152690e-04 4.0220530e-03 1.3779138e-03 5.9722424e-01 2.0758053e-02]
#  [5.0913623e-06 5.6117901e-08 9.7215974e-01 2.0343825e-05 2.3693956e-02
#   1.6027538e-03 7.3659585e-06 2.5106100e-03 5.8250910e-10 1.4506637e-09]
#  [7.1339104e-03 6.1033275e-06 2.1771197e-03 9.7346401e-01 2.2141664e-06
#   1.6861971e-02 8.6817810e-05 1.2291509e-04 4.7768017e-06 1.4035056e-04]]
# [8 2 3]

效果截图如下：

2 predict_classes()方法
当使用predict_classes()方法进行预测时，返回的是类别的索引，即该样本所属的类别标签。以卷积神经网络中的图片分类为例说明，代码如下：

import numpy as np
import scipy.misc
from keras.models import model_from_json
from keras.optimizers import SGD

# 加载模型
model_architecture = 'cifar10_architecture.json'
model_weights = 'cifar_weights.h5'
model = model_from_json(open(model_architecture).read())		# 加载模型结构
model.load_weights(model_weights)		# 加载模型权重

# 加载图片
img_names = ['cat.jpg', 'deer.jpg', 'dog.jpg']
# np.transpose:对数组进行转置，返回原数组的视图
# scipy.misc.imresize：重新调整图片的形状
# scipy.misc.imread：将图片读取出来，返回np.array类型
imgs = [np.transpose(scipy.misc.imresize(scipy.misc.imread(img_name), (32, 32)), (1, 0, 2)).astype('float32')
		for img_name in img_names]
imgs = np.array(imgs) / 255		# 归一化

# 训练
optim = SGD()
model.compile(loss='categorical_crossentropy', optimizer=optim, metrics=['accuracy'])		# 编译模型

# 预测样本类别
predictions = model.predict_classes(imgs)
print(predictions)
# [8 2 3]

结果截图如下：
在这里插入图片描述

欢迎交流！ QQ：3408649893

Keras中predict()方法和predict_classes()方法的区别

猜你喜欢