在Tensorflow分类中，当使用“时，标签是如何排序的？”；预测；？

我正在使用MNIST手写数字数据集来训练CNN

在训练模型后，我使用如下预测：

predictions = cnn_model.predict(test_images)
predictions[0]

model.fit(train_images, train_labels, batch_size=BATCH_SIZE, epochs=EPOCHS)
predictions = cnn_model.predict(test_images)

我得到的输出是：

array([2.1273775e-06, 2.9292005e-05, 1.2424786e-06, 7.6307842e-05,
       7.4305902e-08, 7.2301691e-07, 2.5368356e-08, 9.9952960e-01,
       1.2401938e-06, 1.2787555e-06], dtype=float32)

在输出中，有10个概率，0到9之间的数字每个概率一个。但我怎么知道哪个概率指的是哪个数字呢

在该特定情况下，针对数字0到9顺序排列概率。但为什么呢？我没有给它下定义

我试着浏览互联网上其他地方的文档和示例实现，但似乎没有人解决过这种特殊行为

编辑：

在上下文中，我通过以下方式定义了我的训练/测试数据：

mnist = tf.keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = (np.expand_dims(train_images, axis=-1)/255.).astype(np.float32)
train_labels = (train_labels).astype(np.int64)
test_images = (np.expand_dims(test_images, axis=-1)/255.).astype(np.float32)
test_labels = (test_labels).astype(np.int64)

我的模型由几个凝聚层和池层组成，然后是一个扁平层，然后是一个有128个神经元的密集层和一个有10个神经元的输出密集层

之后，我简单地拟合我的模型并使用如下预测：

predictions = cnn_model.predict(test_images)
predictions[0]

model.fit(train_images, train_labels, batch_size=BATCH_SIZE, epochs=EPOCHS)
predictions = cnn_model.predict(test_images)

我不知道我在哪里指示我的代码将第一个神经元输出为数字0，第二个神经元输出为数字1等等 如果我想改变结果数字输出的顺序，我该在哪里做呢？

---

这真的让我很困惑。

这取决于您在培训期间如何准备标签。对于MNIST分类，通常有两种不同的方法：

一个热标签：MNIST数据中有10个标签，因此对于每个示例（图像），您创建一个长度为10的标签数组（向量），其中除与输入图像显示的数字对应的索引外，所有元素均为零。例如，如果输入图像显示数字8，则标签除第8个索引（例如[0,0,0,0,0,0,0,0,0,0]）外，其余位置均包含零。如果您的图像显示的是数字2，则标签将类似于[0,0,1,0,0,0,0,0]等等

稀疏标签：您只需直接按图像显示的数字为每个图像添加标签，例如，如果图像显示的是数字8，则标签是一个值为8的单个数字

在这两种情况下，您可以根据需要选择标签，在MNIST分类中，使用标签0-9来显示数字0-9是很直观的

因此，在预测中，索引0处的概率表示数字0，索引1表示数字1，依此类推

您可以选择以不同的方式准备标签。例如，您可以决定按如下方式显示标签：

• 数字0的标签：9
• 数字1:8的标签
• 数字2:7的标签
• 数字3:6的标签
• 数字4:5的标签
• 数字5的标签：4
• 数字6:3的标签
• 数字7的标签：2
• 数字8的标签：1
• 数字9的标签：0

你可以用同样的方法训练你的模型，但是在这种情况下，预测中的概率会被颠倒。索引0处的概率表示数字9，索引1表示数字8，依此类推

---

简言之，您必须使用整数索引定义标签，但这取决于您决定并记住您选择的索引引用哪个标签/类别。

模型使用数字。您的类/标签应以数字表示（例如，

0、1、…、n

）。预测总是被索引，以显示索引

0

处的类

0

、索引

1处的类
1
的概率。现在在MNIST的例子中，您很幸运标签是整数
0
到
9
。假设你必须将图像分为三类：汽车、自行车、卡车。必须将这些类表示为数值。你可以随意安排。如果您选择：{汽车：0，自行车：1，卡车：2，换句话说，如果您将汽车标记为0，自行车标记为1，卡车标记为2，那么您的预测将显示指数为0的汽车、指数为1的自行车和指数为2的卡车的概率

您还可以选择以下设置：{cars:2、自行车：0、卡车：1，然后您的预测将显示指数2处的汽车、指数0处的自行车和指数1处的卡车的概率，依此类推

关键是，您必须显示从0到n的整数，其中n是
num\u classes-1
。你在预测时的概率会被这样索引。你不必告诉模特

希望这一点现在清楚了。
我想我理解你的意思，但当我与我的代码进行比较时，我得到的标签是稀疏编码的，而我的网络有一个10个节点的输出层。我还没有定义从稀疏到热的映射。这就是我想弄明白的。顺便说一下，这里是完整代码的链接：是的，tensorflow mnist数据集的标签是稀疏的。标签的范围在0到9之间，并且它们也同样被索引。因此，您的预测概率也会按此进行索引@Zainkhaishagi当你说它们是“这样索引的”时，你是什么意思？在哪里确认或更改此索引？如果我希望第一个输出是数字5，第二个输出是数字8等，我会在哪里进行这样的更改@Bashir Kazimiyou将数字5热编码为：[1,0,0,0,0,0,0,0]，数字8热编码为[0,1,0,0,0,0,0,0]等等。在稀疏标签的情况下，您只需创建一个空标签数组，在任何索引中，您都可以将数字5设置为0，将数字8设置为1。等等。也许我遗漏了一些基本的东西，但我还是不明白。我已经编辑了我的问题，添加了如何定义测试/训练标签的代码。它们是稀疏的。之后，我简单地拟合模型并使用predict。我仍然不知道我在哪里指示模型按照输出结果的顺序输出结果。