如何在python中找到分类神经网络的预测输出？

我是python和学习神经网络的新手。我有一个经过训练的三层前馈神经网络，隐层有2个神经元，输出层有3个神经元。我想知道如何计算输出层值/预测输出

我从网络中提取权重和偏差，并计算隐藏层的激活值。我只是想确认如何使用

softmax

函数来计算输出层神经元的输出

我的执行情况如下：

weights_from_hiddenLayer_to_OutputLayer = [
    [x, y],  # two weights connected to the output neuron 1 from hidden neurons 1 and 2
    [a, b],  # two weights connected to the output neuron 2 from hidden neurons 1 and 2
    [c, d]   # two weights connected to the output neuron 3 from hidden neurons 1 and 2I
    ]

# output layer biases extracted from the neural network
biases_output_layer = [a, b, c]

act1 = m  # activation value of hidden neuron 1
act2 = n  # activation value of hidden neuron 2
arr = []
for i, weights in enumerate(weights_from_hiddenLayer_to_OutputLayer):
            arr.append(m*weights[0]+n*weights[1] +
                       biases_output_layer[i])
# i believe this will be the brightest neuron / predicted neural networks output ?  
print(np.argmax(arr))

---

我在互联网上搜索了python中的

softmax

，现在我已经找到了。我的预测结果与神经网络预测结果基本不同。然而，我使用的是来自同一个训练模型的完全相同的值。

您的输出将是从\u hiddenLayer\u到\u OutputLayer的

权重\u与之前激活的矩阵相乘。
然后，您可以将其传递给softmax函数以获得概率分布，并根据猜测使用
argmax
，以获得相应的类

weights_from_hiddenLayer_to_OutputLayer = np.array([
    [x, y],  # two weights connected to the output neuron 1 from hidden neurons 1 and 2
    [a, b],  # two weights connected to the output neuron 2 from hidden neurons 1 and 2
    [c, d]   # two weights connected to the output neuron 3 from hidden neurons 1 and 2I
    ])

act = np.array([m, n])
biases_output_layer = [a, b, c]
arr = np.dot(weights_from_hiddenLayer_to_OutputLayer, act)    # matrix multiplication of weights and activations
arr = arr + biases_output_layer
     
probability = np.exp(arr) / np.sum(np.exp(arr), axis=0)       # softmax
print(np.argmax(probability))

请注意，从技术上讲，您不需要使用softmax，除非您正在反向传播或尝试评估作为
np.argmax（）结果的输出的可信度无论您是通过
arr
还是相应的
probability
都将是相同的，不会在任何地方添加偏差？对不起，我错过了您的偏差列表。我更新了我原来的帖子