Python LSTM模型'；具有最频繁值的s预测

在使用LSTM实现85%的语音情感识别准确率后，我希望使用该模型作为实时预测器-这意味着每隔1秒左右它将返回对当前数据序列的预测

现在，假设我预测了一个“愤怒”情绪样本，它有95帧（时间步长）。 将输入限制为[0:61]时，“model.predict”返回正确的情绪， 但当输入为[0:62]时，由于最后一帧的原因，模型返回不同的预测

我已经通过为每个时间步填充一个预测列表来说明这一点，因此输出就是该列表和“model.predict”输出（转换为标签名）

标签上的情绪是“愤怒”：4

# [0:61]
>> ([0, 0, 6, 6, 6, 6, 6, 6, 6, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4], 'angry')

# [0:62]
>> ([0, 0, 6, 6, 6, 6, 6, 6, 6, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 5], 'fear')

我通过从填充的列表中获取最频繁的值来解决这个问题，但是通过for循环来填充它会极大地减慢过程：

def realtime (file_path, start, end):
# feature extraction from the file, concatenating to 'X_3D'...

res = []

for i in range(start,end):
    prediction = model.predict(X_3D[:,start:i+1,:])
    max = np.argmax(prediction)
    
    res.append(max)
    
return res

#freq = most_frequent(res) ...

有没有运行更快的解决方案