如何使用独热编码的标签？

Question

是这样的，本来是拿了一个卷积锚狗识别模型，是二分类问题，
现在我多加了一个花朵类，由binary改成categorical，模型是训练出来了，但是test的时候不清楚怎么使用categorical的独热编码标签。
之前那个二分类模型是检测label的大小，大于0.5的是dog，否则是cat。变成多分类模型后不清楚怎么改

#二分类的test调用原码
def fig_predict_result(model, count):
    test_datagen = ImageDataGenerator(rescale=1. / 255)
    test_generator = test_datagen.flow_from_directory(
        './data/test/',
        target_size=(150, 150),
        batch_size=256,
        class_mode='binary')
 
    text_labels = []
    plt.figure(figsize=(30, 20))
    # 迭代器可以迭代很多条数据，但我这里只取第一个结果看看
    for batch, label in test_generator:
        pred = model.predict(batch)
        for i in range(count):
            true_reuslt = label[i]
            print(true_reuslt)
            if pred[i] > 0.5:
                text_labels.append('dog')
            else:
                text_labels.append('cat')
 
            # 4列，若干行的图
            plt.subplot(count / 4 + 1, 4, i + 1)
            plt.title('This is a ' + text_labels[i])
            imgplot = plt.imshow(batch[i])
 
        plt.show()
————————————————
版权声明：本文为CSDN博主「zhangphil」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zhangphil/article/details/103581736

Answer 1

在多分类问题中，输出的结果应该是每个类别的概率分布，而不是一个二分类的结果。所以你需要将 class_mode 参数从 'binary' 改成 'categorical'，并且将模型的输出层改成一个有多个神经元的输出层，其中每个神经元对应一个类别。

假设你的类别有 num_classes 个，可以将输出层改成一个 Dense 层，其中神经元的数量为 num_classes，激活函数为 softmax。这样，输出就是一个概率分布向量，其中每个元素表示对应类别的概率。

以下是修改后的代码：

import numpy as np

def fig_predict_result(model, count, class_names):
    test_datagen = ImageDataGenerator(rescale=1. / 255)
    test_generator = test_datagen.flow_from_directory(
        './data/test/',
        target_size=(150, 150),
        batch_size=256,
        class_mode='categorical', # 修改为 categorical
        shuffle=False  # 不要打乱顺序，以便按顺序读取标签
    )

    plt.figure(figsize=(30, 20))
    # 迭代器可以迭代很多条数据，但我这里只取第一个结果看看
    for batch, labels in test_generator:
        preds = model.predict(batch)
        preds = np.argmax(preds, axis=-1)  # 将概率向量转换为类别id

        for i in range(count):
            true_label = class_names[np.argmax(labels[i])]
            pred_label = class_names[preds[i]]
            print(true_label)
            print(pred_label)

            # 4列，若干行的图
            plt.subplot(count / 4 + 1, 4, i + 1)
            plt.title('True label: {}\nPredicted label: {}'.format(true_label, pred_label))
            imgplot = plt.imshow(batch[i])

        plt.show()

其中 class_names 是一个列表，包含所有类别的名称，例如 ['cat', 'dog', 'flower']。在输出结果时，我们将真实标签和预测标签都转换成对应的类别名称。