我正在使用迁移学习在 Keras 中使用预训练的 VGG 网络构建图像识别模型，并排除最终的全连接层以获得输出权重。然后，我使用这些输出权重来输入我的新模型，该模型有几层以及我自己正在训练的一个新的全连接层。全连接层映射到我试图预测的输出类的数量。
一切正常。但是，当我运行时：
results = model.predict(img_tensor)
我得到与每个类对应的输出概率，类似于以下内容：
print(results)
[[0.1426621 0.6193871 0.23795079]
[0.11187755 0.6208466 0.2672758 ]
[0.10050113 0.3768951 0.52260375]
[0.1338948 0.59470254 0.27140263]
[0.06612041 0.69726 0.2366195 ]
[0.12080433 0.495977 0.38321865]]
如何找出概率输出中的每一列对应的类？
Keras 是否有任何内置功能来识别输出概率的哪一列对应于哪个类？
class_indicesKeras 中的属性在flow_from_directory(directory)输出数组中创建类及其索引的字典：
类：类子目录的可选列表（例如
[‘dogs’, ‘cats’]）。默认值：无。如果未提供，则将自动从目录下的子目录名称/结构中推断出类列表，其中每个子目录将被视为不同的类（并且将映射到标签索引的类的顺序将是字母数字）。包含从类名到类索引的映射的字典可以通过属性获得class_indices。
我很想看看人们如何将其纳入他们的工作流程/脚本中......
probas_to_classes()然后，您可以使用实用程序函数选择最可能的类。例子：
y_proba = model.predict(x)
y_classes = keras.np_utils.probas_to_classes(y_proba)
这等效model.predict_classes(x)于 Sequential 模型。
使用生成器时，
generator= train_datagen.flow_from_directory("train", batch_size=batch_size)
label_map = (generator.class_indices)
label_map 变量是一个字典，然后可以从中得出概率分数和类名之间的关系。
基本上，您可以通过此代码创建此字典。
from glob import glob
class_names = glob("*") # Reads all the folders in which images are present
class_names = sorted(class_names) # Sorting them
name_id_map = dict(zip(class_names, range(len(class_names))))
希望这可以帮助..