我已经建立了一个 LSTM 模型来预测 Quora 官方数据集上的重复问题。测试标签为 0 或 1。1 表示问题对是重复的。使用 构建模型后model.fit，我使用model.predict测试数据测试模型。输出是一个值数组，如下所示：
[ 0.00514298]
[ 0.15161049]
[ 0.27588326]
[ 0.00236167]
[ 1.80067325]
[ 0.01048524]
[ 1.43425131]
[ 1.99202418]
[ 0.54853892]
[ 0.02514757]
我只显示数组中的前 10 个值。我不明白这些值是什么意思，每个问题对的预测标签是什么？
默认情况下，神经网络的输出永远不会是二进制的——即零或一。该网络使用连续值（不是离散的），以便在梯度下降的框架中更自由地优化损失。
在这里查看一个类似的问题，该问题也显示了一些代码。
如果没有任何类型的调整和缩放，就其名义值而言，网络的输出可能会落在输入范围内的某个位置。在您的情况下，这似乎大致在 0 到 2 之间。
您现在可以编写一个函数，根据某个阈值将上述值变为 0 或 1。例如，将值缩放到 [0, 1] 范围内，然后如果值低于 0.5，则返回 0，如果高于 0.5，则返回 1。
如果这是一个分类问题，您应该将网络更改为具有 2 个输出神经元。
您可以使用将标签转换为单热编码向量
y_train_binary = keras.utils.to_categorical(y_train, num_classes)
y_test_binary = keras.utils.to_categorical(y_test, num_classes)
然后确保你的输出层有两个具有 softmax 激活函数的神经元。
model.add(Dense(num_classes, activation='softmax'))
这将导致您model.predict(x_test_reshaped)成为一个列表数组。其中内部列表是实例属于每个类的概率。这将加起来为 1，显然决定的标签应该是概率最高的输出神经元。
Keras 已将其包含在他们的库中，因此您无需自己进行此比较。您可以使用 直接获取类标签model.predict_classes(x_test_reshaped)。
预测基于您作为训练输出和激活函数输入的内容。
例如，对于 0-1 输入和输出的 sigmoid 激活函数以及二进制交叉熵损失，您将得到 1 的概率。根据在任一方向上做出错误决策的成本，您可以决定如何处理这些概率（例如，预测类别“1”，如果概率>0.5 或者可能已经>0.1）。
根据您的描述，您有 0-1 输入，并且可能假设您的输出层是线性激活的（可能带有均方误差损失？）。这意味着，您假设了一个回归问题，其中输出直接是预测数（可以是）。我认为这不是您想要的，您可能想要我在第一段中提到的内容。
我遇到了同样的问题并解决了：
seq_predictions=model.predict(test_sequences)
print('Outputs shape')
print(seq_predictions.shape) # prints (n,1) but need (n,)
seq_predictions=np.transpose(seq_predictions)[0] # transformation to get (n,)
print(seq_predictions.shape) # now the shape is (n,)
# Applying transformation to get binary values predictions with 0.5 as thresold
seq_predictions = list(map(lambda x: 0 if x<0.5 else 1, seq_predictions))