Machine learning 使用Keras进行的特征提取不包括类标签

我使用Keras在MNIST数据集上应用图像分类，实现是可用的。我使用此实现，但添加了以下方法来从经过训练的图像中提取特征：

def feature_extraction(model, x_test, path_to_save):
    extract = keras.Model(inputs=model.input, outputs=model.get_layer('dense_1').output)
    features = extract.predict(x_test)
    np.savetxt(path_to_save, features, delimiter=",")

---

输出文件不包含类标签，即文件中的每一行都是一组要素，但没有类标签。是否有办法修改此方法，使其同时添加每个提取特征（即每行）的类别标签？

您可以获得多个输出，以便特征和预测的标签概率：

extract = Model(model.input, [model.get_layer('dense_1').output, model.output])
features, labels = extract.predict(x_test)
labels = np.argmax(labels, axis=1)

---

预测现在将为您提供两个输出。您可能希望

np.argmax

获得实际的类标签，而不是取决于模型的概率。

非常感谢。如何使用

np.argmax

？请您在示例中也演示一下，好吗？很抱歉，您知道我为什么会得到

功能，labels=extract.predict（x_测试）ValueError:太多的值无法解包（预期为2）

？似乎

predict

不输出labelsCare进行调试？也许打印它，检查它返回什么，返回多少值，我还没有查看模型，所以我不确定。