Python 获取Keras中多输出模型的类

我正在利用Keras 2+8功能API同时解决分类和回归问题。 我不知道如何从分类输出中分配标签，因为我得到了概率。 函数式API没有预测类。我欢迎提出建议

def run (X_train):
    _input = keras.layers.Input(shape=(1024,))

    hidden1=Dense(500, activation = 'elu')(_input)

    hidden2=Dense(300, activation = 'elu')(hidden1)

    classification = keras.layers.Dense(1, activation="sigmoid", name="classification")(hidden2)

    regression = keras.layers.Dense(1, activation="linear", name="regression")(hidden2)

    multi_model = keras.Model(inputs=[_input], outputs=[classification, regression])
    
    multi_model.compile(loss={'classification': 'binary_crossentropy','regression': 'mse'},
                        optimizer='Nadam',
                        metrics={'classification':'AUC', 'regression': 'mse'})
   
    multi_model.fit([X_train, X_train],
                    [y_train_C, y_train_R],
                    validation_split=0.2,
                    callbacks=callbacks,
                    batch_size=128,
                    epochs=500,
                    verbose=0)
    return multi_model

这是我用经过训练的模型预测的结果：

prediction = fcfp4.predict([X_test,X_test])

我尝试过使用argmax，但它只提供了0个值（应该是0或1）。 根据评估，我应该得到非常好的分类预测：

fcfp4.evaluate([X_test,X_test], [y_test_C, y_test_R])
1/1 [==============================] - 0s 998us/step - loss: 2.0826 - classification_loss: 0.0845 - regression_loss: 1.9981 - classification_auc_55: 1.0000 - regression_mean_squared_error: 1.9981

我期待这样的阵列：

array([0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 1, 0, 1, 0])

---

<> p＝0的

< P>从SigMID获得预测，如果PRED大于0.5，则必须考虑为1类，否则为0。这里是完整的例子

n_sample = 100
features = 1024
X_train = np.random.uniform(0,1, (n_sample,features))
y_train_R = np.random.uniform(0,1, n_sample)
y_train_C = np.random.randint(0,2, n_sample)

def run(X_train, y_train_C, y_train_R):
    
    _input = keras.layers.Input(shape=(features,))

    hidden1 = keras.layers.Dense(500, activation = 'elu')(_input)

    hidden2 = keras.layers.Dense(300, activation = 'elu')(hidden1)

    classification = keras.layers.Dense(1, activation="sigmoid", name="classification")(hidden2)

    regression = keras.layers.Dense(1, activation="linear", name="regression")(hidden2)

    multi_model = keras.Model(inputs=[_input], outputs=[classification, regression])
    
    multi_model.compile(loss={'classification': 'binary_crossentropy','regression': 'mse'},
                        optimizer='Nadam',
                        metrics={'classification':'AUC', 'regression': 'mse'})
   
    multi_model.fit(X_train,
                    [y_train_C, y_train_R],
                    validation_split=0.2,
                    batch_size=128,
                    epochs=5,
                    verbose=1)
    
    return multi_model

multi_model = run(X_train, y_train_C, y_train_R)
prediction_class, prediction_reg = multi_model.predict(X_train)
prediction_class = (prediction_class>0.5).ravel()+0

---

非常感谢，这是我在任何地方都找不到的简洁明了的答案。除此之外，还有一些小技巧，比如不必双重指定输入和ravel方法，这是我所不知道的。我还有最后一个问题，为什么结尾有+0？（预测类>0.5）。ravel（）是[True，False，False，…]如果你做'+0'，你将布尔值变成数字，那么[1，0，0，…]是你的类。。。别忘了把它标为答案；-）