Question

我在Keras有一个功能模型（来自repo示例的Resnet50）。我使用ImageDataGenerator和flow_from_directory数据对其进行了培训，并将模型保存到.h5文件中。当我调用model.predict时，我得到了一组类概率。但我想将它们与类标签相关联（在我的例子中 - 文件夹名称）。我怎么能得到它们？我发现我可以使用model.predict_classes和model.predict_proba，但我在功能模型中没有这些功能，只在Sequential中。

Answer 1

y_prob = model.predict(x) 
y_classes = y_prob.argmax(axis=-1)

根据建议here。

Answer 2

当使用flow_from_directory时，问题是如何解释概率输出。如上所述，如何将概率输出和类标签映射为flow_from_directory如何创建一个热矢量，这在以前是不知道的。

我们可以得到一个字典，它将类标签映射到我们使用时作为输出获得的预测向量的索引

generator= train_datagen.flow_from_directory("train", batch_size=batch_size)
label_map = (generator.class_indices)

label_map变量是这样的字典

{'class_14': 5, 'class_10': 1, 'class_11': 2, 'class_12': 3, 'class_13': 4, 'class_2': 6, 'class_3': 7, 'class_1': 0, 'class_6': 10, 'class_7': 11, 'class_4': 8, 'class_5': 9, 'class_8': 12, 'class_9': 13}

然后由此得出概率分数和类名之间的关系。

基本上，您可以通过此代码创建此词典。

from glob import glob
class_names = glob("*") # Reads all the folders in which images are present
class_names = sorted(class_names) # Sorting them
name_id_map = dict(zip(class_names, range(len(class_names))))

上述代码中的变量name_id_map也包含与从flow_from_directory的class_indices函数获得的字典相同的字典。

希望这有帮助！

Answer 3

更新：这对于较新的Keras版本不再有效。请使用argmax()，如Emilia Apostolova的答案。

功能API模型只有predict()函数，用于分类将返回类概率。然后，您可以使用probas_to_classes()实用程序功能选择最可能的类。例如：

y_proba = model.predict(x)
y_classes = keras.np_utils.probas_to_classes(y_proba)

这相当于Sequential模型上的model.predict_classes(x)。

这样做的原因是功能API支持predict_classes()没有意义的更一般的任务类。

更多信息：https://github.com/fchollet/keras/issues/2524

Answer 4

除了@Emilia Apostolova的答案，还要从

获取真实标签

generator = train_datagen.flow_from_directory("train", batch_size=batch_size)

只需致电

y_true_labels = generator.classes

Answer 5

您必须使用已有的标签索引，这是我进行文本分类的方法：

# data labels = [1, 2, 1...]
labels_index = { "website" : 0, "money" : 1 ....} 
# to feed model
label_categories = to_categorical(np.asarray(labels))

然后，进行预测：

texts = ["hello, rejoins moi sur skype", "bonjour comment ça va ?", "tu me donnes de l'argent"]

sequences = tokenizer.texts_to_sequences(texts)

data = pad_sequences(sequences, maxlen=MAX_SEQUENCE_LENGTH)

predictions = model.predict(data)

t = 0

for text in texts:
    i = 0
    print("Prediction for \"%s\": " % (text))
    for label in labels_index:
        print("\t%s ==> %f" % (label, predictions[t][i]))
        i = i + 1
    t = t + 1

这给出了：

Prediction for "hello, rejoins moi sur skype": 
    website ==> 0.759483
    money ==> 0.037091
    under ==> 0.010587
    camsite ==> 0.114436
    email ==> 0.075975
    abuse ==> 0.002428
Prediction for "bonjour comment ça va ?": 
    website ==> 0.433079
    money ==> 0.084878
    under ==> 0.048375
    camsite ==> 0.036674
    email ==> 0.369197
    abuse ==> 0.027798
Prediction for "tu me donnes de l'argent": 
    website ==> 0.006223
    money ==> 0.095308
    under ==> 0.003586
    camsite ==> 0.003115
    email ==> 0.884112
    abuse ==> 0.007655

Answer 6

可以在keras模型中直接保存标签的“列表”。这样，将模型用于预测并且没有任何其他信息源的用户可以自己执行查找。这是一个虚拟的示例，说明如何执行标签的“注入”

# assume we get labels as list
labels = ["cat","dog","horse","tomato"]
# here we start building our model with input image 299x299 and one output layer
xx = Input(shape=(299,299,3))
flat = Flatten()(xx)
output = Dense(shape=(4))(flat)
# here we perform injection of labels
tf_labels = tf.constant([labels],dtype="string")
tf_labels = tf.tile(labels,[tf.shape(xx)[0],1])
output_labels = Lambda(lambda x: tf_labels,name="label_injection")(xx)
#and finaly creating a model
model=tf.keras.Model(xx,[output,output_labels])

当用于预测时，此模型返回分数张量和字符串标签的张量。这样的模型可以保存到h5。在这种情况下，文件包含标签。该模型也可以导出到saved_model并用于在云中提供服务。

Answer 7

要使用ImageDataGenerator映射预测的类和文件名，我使用：

# Data generator and prediction
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(
        inputpath,
        target_size=(150, 150),
        batch_size=20,
        class_mode='categorical',
        shuffle=False)
pred = model.predict_generator(test_generator, steps=len(test_generator), verbose=0)
# Get classes by max element in np (as a list)
classes = list(np.argmax(pred, axis=1))
# Get filenames (set shuffle=false in generator is important)
filenames = test_generator.filenames

我可以使用以下方法遍历预测的类和关联的文件名：

for f in zip(classes, filenames):
    ...

从Keras功能模型中获取类标签

7 个答案: