我有一个经过训练的模型,可以将 RGB 值分为 1000 个类别。
#Model architecture
model = Sequential()
model.add(Dense(512,input_shape=(3,),activation="relu"))
model.add(BatchNormalization())
model.add(Dense(512,activation="relu"))
model.add(BatchNormalization())
model.add(Dense(1000,activation="relu"))
model.add(Dense(1000,activation="softmax"))
我希望能够在 softmax 层之前提取输出,以便我可以对模型内的不同类别样本进行分析。我想对每个样本执行softmax,并使用名为getinfo()的函数进行分析。
型号 最初,我将 X_train 数据输入 model.predict,以获得每个输入的 1000 个概率的向量。我对此数组执行 getinfo() 以获得所需的结果。
流行1 然后我使用 model.pop() 删除 softmax 层。我得到了弹出模型的新预测,并执行 scipy.special.softmax。然而,getinfo() 在此数组上产生完全不同的结果。
流行2 我编写了自己的 softmax 函数来验证第二个结果,并且我收到了与 Pop1 几乎相同的答案。
流行3 但是,当我简单地在没有 softmax 函数的情况下对 model.pop() 的输出计算 getinfo() 时,我得到与初始模型相同的结果。
data = np.loadtxt("allData.csv",delimiter=",")
model = load_model("model.h5")
def getinfo(data):
objects = scipy.stats.entropy(np.mean(data, axis=0), base=2)
print(('objects_mean',objects))
colours_entropy = []
for i in data:
e = scipy.stats.entropy(i, base=2)
colours_entropy.append(e)
colours = np.mean(np.array(colours_entropy))
print(('colours_mean',colours))
info = objects - colours
print(('objects-colours',info))
return info
def softmax_max(data):
# calculate softmax whilst subtracting the max values (axis=1)
sm = []
count = 0
for row in data:
max = np.argmax(row)
e = np.exp(row-data[count,max])
s = np.sum(e)
sm.append(e/s)
sm = np.asarray(sm)
return sm
#model
preds = model.predict(X_train)
getinfo(preds)
#pop1
model.pop()
preds1 = model.predict(X_train)
sm1 = scipy.special.softmax(preds1,axis=1)
getinfo(sm1)
#pop2
sm2 = softmax_max(preds1)
getinfo(sm2)
#pop3
getinfo(preds1)
我期望从 Model、Pop1 和 Pop2 获得相同的输出,但从 Pop3 获得不同的答案,因为我在这里没有计算 softmax。我想知道问题是否出在 model.predict 之后计算 softmax ?我是否在 Model 和 Pop3 中得到相同的结果,因为 softmax 将值限制在 0-1 之间,因此对于 getinfo() 函数的目的,结果在数学上是等效的?
如果是这种情况,那么如何在 model.predict 之前执行 softmax?
我一直在绕圈子,所以任何帮助或见解将不胜感激。如果有任何不清楚的地方,请告诉我。谢谢!
最佳答案
model.pop()
不会立即生效。您需要再次运行 model.compile()
来重新编译不包含最后一层的新模型。
如果不重新编译,您实际上是在完全相同的模型上连续运行 model.predict()
两次,这解释了为什么 Model 和 Pop3 给出相同的结果。 Pop1 和 Pop2 给出了奇怪的结果,因为它们正在计算 softmax 的 softmax。
此外,您的模型没有将 softmax 作为单独的层,因此 pop
会去掉最后的整个 Dense
层。要解决此问题,请将 softmax 添加为单独的层,如下所示:
model.add(Dense(1000)) # softmax removed from this layer...
model.add(Activation('softmax')) # ...and added to its own layer
关于python-2.7 - 在softmax层之前提取输出,然后手动计算softmax给出不同的结果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58081650/