Python Tensorflow和Keras如何从一个热编码输出到类预测，以计算精度？

我想知道TensorFlow/Keras中的精度指标如何计算给定输入是否与预期预测匹配，或者换句话说，它如何确定网络的预测数量

例1：

输出：[0,0,0.6]，预期输出：[0,0,1]

我假设0.6四舍五入为1，对吗？或者它被视为唯一大于0.5的数字，因此它是预测的数字

但是，如果是这样，那么考虑例子2：

输出：[0.6,2,0.1]，预期输出：[1,0,0]

我知道，这样的输出是不可能与softmax这将是默认的选择在这里。但它可能与其他激活功能

现在这里是提取并作为预测的最大数字吗？那么，什么是错误的预测呢

例3：

输出：[0.1,0,0.2]，预期输出：[0,0,1]

由于输出中的每个数字都小于0.5，我猜精度计算器会将此输出视为[0,0,0]，因此也不是正确的预测。对吗

如果我前面的假设是正确的，那么规则如下

每一个小于0.5的数字在预测方面都是0，从大于0.5或等于0.5的数字中，我选择最大的一个。最大的一个代表预测的类

---

如果是这样的话，那么准确度只能用于只有一个对应正确类别的分类，例如，不可能有像[1，0，1]这样的预期输出？

在Keras中，默认情况下使用的准确度是分类准确度，这似乎适合您。它计算多类分类问题所有预测的平均准确率

其代码如下所示：

def categorical_accuracy(y_true, y_pred):
    return K.mean(K.equal(K.argmax(y_true, axis=-1), K.argmax(y_pred, axis=-1)))

这意味着示例1

[0, 0, 0.6]

将是

[0, 0, 1]

[0, 1, 0]

例2

[0.6, 2, 0.1]

将是

[0, 0, 1]

[0, 1, 0]

例3

[0.1, 0, 0.2]

将是

[0, 0, 1]

然后将其与目标进行比较

[0, 0, 1], [1, 0, 0], [0, 0, 1] 

如果你预测这三个例子会给出它们的平均值，那么你的准确度会

0.66

---

你的问题有几个问题

首先，我们必须澄清确切的设置；因此，在单标签多类别分类中，即一个样本可以属于一个且仅属于一个类别，且具有一个热编码样本和预测，此处显示的所有示例都是无效的：输出数组的元素不仅小于1，而且必须加起来等于1，因为它们被视为概率

澄清了这一点后，很容易看出，没有任何必要将阈值设置为任何值，例如，设置为0.5，正如您在此建议的那样；你只要拿着argmax。所以，[0.25.0.35.0.4]变成了[0,0,1]

从这个例子中，还应该很明显，在这种设置中，可能存在没有单个元素大于0.5的情况，这是非常自然的。似乎新的实践者容易混淆0.5在这里扮演的特殊角色，因为它只在二进制分类中起作用；但在多类分类中，0.5不再发挥任何特殊作用；单标签多类设置中的等效阈值为1/n，其中n是此处示例中的类数0.33，因为我们有3个类。很容易看出，考虑到数组元素应小于1且加起来等于1的约束，总会有一个条目大于0.33。但只需使用argmax就可以完成这项工作，无需任何中间阈值处理

我知道，这样的输出是不可能与softmax这将是默认的选择在这里。但它可能与其他激活功能

只要我们继续讨论有意义的分类设置，而不仅仅是做一些疯狂的计算实验，这是不正确的；分类的唯一其他可能的激活函数是sigmoid，它同样会给出小于1的结果，尽管加起来不等于1。当然，您可以在最后一层中要求线性或甚至relu激活；您的程序不会崩溃，但这并不意味着您正在从建模角度做任何有意义的事情，我相信这正是您真正感兴趣的

那么准确度只能用于只有一个对应的正确类别的分类，例如，不可能有像[1，0，1]这样的预期输出

---

这是一个完全不同的上下文，称为多标签多类别分类，即一个样本可以属于多个类别。现在应该很清楚，像[1，0，1]这样的结果永远不会出现在单标签多类情况下，也就是说，如果您的真实标签中还没有这样的情况。请参阅以了解一般情况，并提示：使用sigmoid。

非常感谢您的回答！我还有一个问题：因此，如果您还有像[0,0,0]这样的输出，但没有正确的classifi，则无法使用精度

---

阳离子？Argmax总是会给你一个最高值的指数，所以不。@LukasNießen这个问题纯粹是学术性的；如果你已经正确设置了你的多类问题，你永远不会有这样的输出。非常感谢你，这真的帮助了我很多！事实上，我在想最后一层的激活函数，比如线性函数，只是为了理解精度的工作方式，尽管这没有意义。然而，我现在假设，在二进制分类中，0.5是重要的，因为如果输出较少，那么它在分类术语中是0，否则是1。很高兴知道，0.5的处理只在二进制分类中进行，我不知道单标签、多标签、二进制等之间的区别。无论如何，我现在知道了，非常感谢。@LukasNießen，非常欢迎您；正如您将看到的，在多标签的情况下，0.5可能会再次发现一些特殊的重要性，但我不得不在某个时候结束答案。