tensorflow.keras.models.Sequential——predict()、predict_classes()、predict_proba()方法的区别

最新推荐文章于 2024-09-05 20:04:10 发布
原创 最新推荐文章于 2024-09-05 20:04:10 发布 · 8.7k 阅读 · 31 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#keras #predict

本文介绍了在TensorFlow中，predict()、predict_classes()和predict_proba()等模型预测方法的使用和变化。predict()方法适用于多类和二分类任务，返回样本属于每个类别的概率。predict_classes()和predict_proba()已逐渐被弃用，推荐使用predict()结合np.argmax或条件判断来获取类别。此外，详细解释了predict()函数的参数及其在处理大规模输入时的效率优势。

@创建于：2022.04.17
@修改于：2022.04.17

文章目录

predict() 在tf.keras.Sequential 和 tf.keras.Model模块都有效；
predict_classes()、predict_proba()方法 在tf.keras.Sequential 模块下有效，在tf.keras.Model模块下无效。

1、方法介绍

predict()方法预测时，返回值是数值，表示样本属于每一个类别的概率。

predict_proba() 方法预测时，返回值是数值，表示样本属于每一个类别的概率。与predict输出结果一致。

predict_classes() 方法预测时，返回的是类别的索引，即该样本所属的类别标签。

predict_classes() 和 predict_proba()方法将逐渐被弃用了，不建议尝试了。虽然在tensorflow2.5.0中还存在，如果使用会报出如下警告。

UserWarning: `model.predict_proba()` is deprecated and will be removed after 2021-01-01. Please use `model.predict()` instead.
  warnings.warn('`model.predict_proba()` is deprecated and '

2、建议使用predict()，进而改写

predict_classes() 已被弃用并且将在 2021-01-01 之后删除，请改用下面做法。这样能够与tf.keras.Model模块保持一致，实现统一。

np.argmax(model.predict(x), axis=-1)
  • 如果你的模型进行二分类（例如，如果它使用 sigmoid 最后一层激活），使用下面代码获得分类
(model.predict(x) > 0.5).astype("int32")

3、predict()参数介绍</

最低0.47元/天 解锁文章
tensorflow笔记【8】深度学习-预测
qq_62625255的博客
06-12 1100
tensorflow笔记【8】深度学习-预测
【Tensorflow2.0】keras.models.Sequential() 和Model()模块
sxl的博客
02-10 4365
在读tensorflow代码时经常看到使用Model定义模型，这与在Pytorch中经常使用的使用继承模型有区别，所以这里就记录一下。在Keras中有两种深度学习的模型：序列模型（Sequential）和通用模型（Model）。差异在于不同的拓扑结构。如果我们像实现一些更为复杂的网络，比如多输入多输出的模型就需要使用到keras.models.Model()来构建网络。如下代码同时输出最后卷积层Flatten后提取的特征层，以及分类结构。
TensorFlow 2.0 model的predict()方法详解以及自定义predict实现预测数据和真实数据配对输出
热门推荐
yue81560的博客
03-31 5万+
TensorFlow模型训练过程中`fit()`可以直接设置`validation_data`为test数据集来测试模型的性能。但是通常我们要绘制模型的真实数据和预测数据的展示图，就需要输出模型的预测值。在使用Dataset作为模型输入时，由于其具有迭代器特征以及自动的shuffle，会使得预测值和真实值的数据排序顺序不一致，这时可以自定义predict过程，实现预测值和真实值的配对输出
Tensorflow.keras 两个模型
NigeloYang
01-22 1548
主要介绍tensorflow.keras 的两个模型 参考 Tensorflow、Keras 官方文档进行学习和整理 Tensorflow 基础知识讲解 Gitee 地址 Tensorflow 基础知识讲解 Github 地址 Sequential 顺序模型 创建模型： model = tf.keras.Sequential() model.complie() 编译函数用于配置训练模型 compile(optimizer, loss=None, metrics=None, loss_weights=None
（记录）tensorflow.keras.models.Sequential和输入层InputLayer以及dense层个人理解
weixin_53481887的博客
04-13 3110
model = models.Sequential() model.add(layers.Dense(64, activation='relu', input_shape=(10000,))) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(46, activation='softmax')) 神经网络模型的构建通常由输入层，隐藏层和输出层构成 其中，输出层的激活函数通常为softmax 对神经网络全连接层.
tensorflow.keras.models警告
12-28
虽然 `predict()` 方法适用于所有类型的模型实例 (无论是通过 `Sequential` 还是自定义继承于 `Model`) ，但是像 `predict_classes()` 和 `predict_proba()` 则仅限用于基于 `Sequential` 构建的对象内[^3]。...
tensorflow综合示例1：tensorflow-keras的基本使用方式
jediael_lu的专栏
07-17 1058
import numpy as np import matplotlib.pyplot as plt import pandas as pd import tensorflow as tf from tensorflow import keras import sklearn import os print(tf.__version__) 2.4.1 1、基本模型构建 本文只介绍了最基本，也是最常用的API，除此以外可以使用函数式API和子类API构建模型，详见《机器学习实战》第10章。 1.1 准备
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.metrics import Precision from tensorflow.keras.metrics import Recall import tensorflow as tf def build_lstm(): model = Sequential() model.add(LSTM(128, input_shape=(5, 39), return_sequences=True)) model.add(Dropout(0.3)) model.add(LSTM(64, return_sequences=True)) model.add(Dropout(0.3)) model.add(LSTM(32)) model.add(Dropout(0.3)) model.add(Dense(1, activation=‘sigmoid’)) model.compile(optimizer=tf.keras.optimizers.Adam( clipnorm=1.0, # 梯度范数裁剪 clipvalue=0.5 # 逐元素梯度裁剪 ), loss=‘binary_crossentropy’, metrics=[‘accuracy’, Precision(name=‘precision’),Recall(name=‘recall’)]) return model model = build_lstm() from tensorflow.keras.callbacks import Callback, EarlyStopping 自定义回调记录指标 class MetricsLogger(Callback): def on_epoch_end(self, epoch, logs=None): print(f"Epoch {epoch+1}:“) print(f” Train Loss: {logs[‘loss’]:.4f} | Val Loss: {logs[‘val_loss’]:.4f}“) print(f” Train Precision: {logs[‘precision’]:.4f} | Val Precision: {logs[‘val_precision’]:.4f}“) print(f” Train Recall: {logs[‘recall’]:.4f} | Val Recall: {logs[‘val_recall’]:.4f}") 早停策略（监控验证集Precision） early_stop = EarlyStopping(monitor=‘val_precision’, patience=10, mode=‘max’, restore_best_weights=True) history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=100, batch_size=32, class_weight=class_weights, callbacks=[MetricsLogger(), early_stop], verbose=1) 直接帮我改进整个代码
03-29
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout, BatchNormalization from tensorflow.keras.optimizers import AdamW from tensorflow.keras.metrics ...
import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from sklearn.model_selection import train_test_split, StratifiedKFold, GridSearchCV, cross_val_score from sklearn.preprocessing import StandardScaler, OneHotEncoder, LabelEncoder from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline from sklearn.impute import SimpleImputer from sklearn import svm from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier from xgboost import XGBClassifier from lightgbm import LGBMClassifier from sklearn.metrics import (accuracy_score, recall_score, f1_score, roc_auc_score, roc_curve, classification_report, confusion_matrix, ConfusionMatrixDisplay) from imblearn.over_sampling import SMOTE from imblearn.pipeline import Pipeline as ImbPipeline import joblib import shap from tensorflow.keras.models import Sequential from tensorflow.ker
最新发布
04-25
还有imblearn处理不平衡数据，joblib保存模型，shap解释模型，以及tensorflow的Keras模型。看起来这是一个比较全面的机器学习流程，可能涉及数据清洗、特征工程、模型训练、评估、解释和部署。 不过用户提供的代码...
TensorFlow.Keras.Model class 详解
Larkin_0612的博客
10-25 2356
TensorFlow中Model详解，新手入门
tensorflow2.1学习--tf.keras学习之tf.keras.models.Sequential
进击的菜鸟
07-22 2561
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt from sklearn import datasets x_train = datasets.load_iris().data y_train = datasets.load_iris().target np.random.seed(116) np.random.shuffle(x_train) np.random.seed...
Tensorflow 2.0 keras.models.Sequential() Model() 创建网络的若干方式 及共享权重问题
Forrest97的博客
05-14 8591
keras建立网络的方法可以分为keras.models.Sequential() 和keras.models.Model()、继承类三种方式。 目录keras.models.Sequential() ()keras.models.Model()继承类 keras.models.Sequential() () 适用于简单线性堆叠网络。 流程：创建Sequential()对象，逐层堆叠网络 import tensorflow as tf from tensorflow.keras import layers,
tensorflow中tf.keras.models.Sequential()用法
07-21 1687
tensorflow中tf.keras.models.Sequential()用法
Tensorflow Keras
健康工作每一天
08-08 2079
Tensorflow Keras 翻译自：https://www.tensorflow.org/guide/keras 导入tf.keras import tensorflow as tf from tensorflow import keras 通过Sequential model构建神经网络 model = keras.Sequential() # Adds a dense...
tensorflow做predict的几种方式
zh515858237的专栏
05-12 3925
https://stackoverflow.com/questions/46098863/how-to-import-an-saved-tensorflow-model-train-using-tf-estimator-and-predict-on
【关于新版tensorflow ‘Sequential‘ 类没有 ‘predict_classes‘属性的问题】
weixin_44228440的博客
03-31 4697
项目场景： 目前正在学习深度学习神经网络多层感知器（MLP）的内容，在进行项目实战中发现原来的老版本tensorflow和现在版本的有点不太一样 问题描述 在模型建立完准备预测训练数据结果时代码如下： y_train_predict = mlp.predict_classes(X_train) print(y_train_predict) 如果是输出mlp.predict（X_train）的数据如下 如果输出mlp.predict_class（X_train）之前版本的tensorflow可以输出结果
tensosflow.keras.Sequential 的 predict（）总结
arzhh的博客
04-18 1640
def predict(self, x, batch_size=None, verbose=0, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False): 以数组的形式返回预测结果 参数说明： x : 输入数据。可以是numpy数组，也可以是返回（inputs, targets）的生成...
tensorflow学习笔记六——keras模块
Ankang的博客
07-16 9924
本文基于tensorflow官网教程（https://tensorflow.google.cn/guide/keras），机器环境为ubuntu14.04LTS+tensorflow1.8.01.Keras模块配置        Keras模块是tensorflow提供的一个高级api，主要有以下优点：用户友好，一致性强，通过keras模块可以更方便、快捷地构建神经网络模型。keras默认储存训练...
TensorFlow-keras介绍(一)
m0_73426548的博客
09-05 2982
Keras是一个用python编写的开源神经库，能够运行在TensorFlow，Micsrosoft， Toolkit,Theano或PlaidML之上，kerea是单独是深度学习框架，一些代码用到了Tnesorflow的API,但在TensorFlow1.9新增加了tf.kerea。Keras与TF的深度集成。
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值