Holen Sie sich Klassenbezeichnungen aus dem Keras-Funktionsmodell

Ich habe ein Funktionsmodell in Keras (Resnet50 aus Repo-Beispielen). Ich habe es mit ImageDataGeneratorund flow_from_directoryDaten trainiert und das Modell in einer .h5Datei gespeichert. Wenn ich anrufe, model.predicterhalte ich eine Reihe von Klassenwahrscheinlichkeiten. Aber ich möchte sie mit Klassenbezeichnungen verknüpfen (in meinem Fall - Ordnernamen). Wie kann ich sie bekommen? Ich habe festgestellt, dass ich model.predict_classesund verwenden kann model.predict_proba, aber ich habe diese Funktionen nicht im Funktionsmodell, sondern nur in Sequential.

y_prob = model.predict(x) 
y_classes = y_prob.argmax(axis=-1)

Wie hier vorgeschlagen .

Wenn man flow_from_directory verwendet, besteht das Problem darin, wie die Wahrscheinlichkeitsausgaben interpretiert werden. Wie in, wie die Wahrscheinlichkeitsausgaben und die Klassenbezeichnungen so abgebildet werden, wie flow_from_directory One-Hot-Vektoren erstellt, ist bisher nicht bekannt.

Wir können ein Wörterbuch erhalten, das die Klassenbezeichnungen dem Index des Vorhersagevektors zuordnet, den wir bei unserer Verwendung als Ausgabe erhalten

generator= train_datagen.flow_from_directory("train", batch_size=batch_size)
label_map = (generator.class_indices)

Die Variable label_map ist ein Wörterbuch wie dieses

{'class_14': 5, 'class_10': 1, 'class_11': 2, 'class_12': 3, 'class_13': 4, 'class_2': 6, 'class_3': 7, 'class_1': 0, 'class_6': 10, 'class_7': 11, 'class_4': 8, 'class_5': 9, 'class_8': 12, 'class_9': 13}

Daraus kann dann die Beziehung zwischen den Wahrscheinlichkeitsbewertungen und den Klassennamen abgeleitet werden.

Grundsätzlich können Sie dieses Wörterbuch mit diesem Code erstellen.

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))))

Die Variable name_id_map im obigen Code enthält auch dasselbe Wörterbuch wie das aus der class_indices-Funktion von flow_from_directory erhaltene.

Hoffe das hilft!

UPDATE: Dies gilt nicht mehr für neuere Keras-Versionen. Bitte verwenden Sie argmax()wie in der Antwort von Emilia Apostolova.

Die funktionalen API-Modelle haben nur die predict()Funktion, die zur Klassifizierung die Klassenwahrscheinlichkeiten zurückgeben würde. Sie können dann die wahrscheinlichsten Klassen mit der probas_to_classes()Utility-Funktion auswählen . Beispiel:

y_proba = model.predict(x)
y_classes = keras.np_utils.probas_to_classes(y_proba)

Dies entspricht model.predict_classes(x)dem sequentiellen Modell.

Der Grund dafür ist, dass die funktionale API allgemeinere Aufgabenklassen unterstützt, bei denen predict_classes()dies keinen Sinn ergibt .

Weitere Informationen: https://github.com/fchollet/keras/issues/2524

Zusätzlich zu @Emilia Apostolova antworten, um die Grundwahrheitsbezeichnungen von zu erhalten

generator = train_datagen.flow_from_directory("train", batch_size=batch_size)

Ruf einfach an

y_true_labels = generator.classes

Sie müssen den Etikettenindex verwenden, den ich habe. Hier ist, was ich für die Textklassifizierung mache:

# data labels = [1, 2, 1...]
labels_index = { "website" : 0, "money" : 1 ....} 
# to feed model
label_categories = to_categorical(np.asarray(labels)) 

Dann für Vorhersagen:

texts = ["hello, rejoins moi sur skype", "bonjour comment ça va ?", "tu me donnes de l'argent"]

sequences = tokenizer.texts_to_sequences(texts)

data = pad_sequences(sequences, maxlen=MAX_SEQUENCE_LENGTH)

predictions = model.predict(data)

t = 0

for text in texts:
    i = 0
    print("Prediction for \"%s\": " % (text))
    for label in labels_index:
        print("\t%s ==> %f" % (label, predictions[t][i]))
        i = i + 1
    t = t + 1

Das gibt:

Prediction for "hello, rejoins moi sur skype": 
    website ==> 0.759483
    money ==> 0.037091
    under ==> 0.010587
    camsite ==> 0.114436
    email ==> 0.075975
    abuse ==> 0.002428
Prediction for "bonjour comment ça va ?": 
    website ==> 0.433079
    money ==> 0.084878
    under ==> 0.048375
    camsite ==> 0.036674
    email ==> 0.369197
    abuse ==> 0.027798
Prediction for "tu me donnes de l'argent": 
    website ==> 0.006223
    money ==> 0.095308
    under ==> 0.003586
    camsite ==> 0.003115
    email ==> 0.884112
    abuse ==> 0.007655

Es ist möglich, eine "Liste" von Beschriftungen direkt im Keras-Modell zu speichern. Auf diese Weise kann der Benutzer, der das Modell für Vorhersagen verwendet und keine anderen Informationsquellen hat, die Suche selbst durchführen. Hier ist ein Dummy-Beispiel, wie man eine "Injektion" von Etiketten durchführen kann

# assume we get labels as list
labels = ["cat","dog","horse","tomato"]
# here we start building our model with input image 299x299 and one output layer
xx = Input(shape=(299,299,3))
flat = Flatten()(xx)
output = Dense(shape=(4))(flat)
# here we perform injection of labels
tf_labels = tf.constant([labels],dtype="string")
tf_labels = tf.tile(labels,[tf.shape(xx)[0],1])
output_labels = Lambda(lambda x: tf_labels,name="label_injection")(xx)
#and finaly creating a model
model=tf.keras.Model(xx,[output,output_labels])

Bei Verwendung für die Vorhersage gibt dieses Modell einen Tensor von Scores und einen Tensot von String-Labels zurück. Ein solches Modell kann in h5 gespeichert werden. In diesem Fall enthält die Datei die Beschriftungen. Dieses Modell kann auch in saved_model exportiert und für die Bereitstellung in der Cloud verwendet werden.

Um vorhergesagte Klassen und Dateinamen mit zuzuordnen ImageDataGenerator, verwende ich:

# Data generator and prediction
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(
        inputpath,
        target_size=(150, 150),
        batch_size=20,
        class_mode='categorical',
        shuffle=False)
pred = model.predict_generator(test_generator, steps=len(test_generator), verbose=0)
# Get classes by max element in np (as a list)
classes = list(np.argmax(pred, axis=1))
# Get filenames (set shuffle=false in generator is important)
filenames = test_generator.filenames

Ich kann vorhergesagte Klassen und den zugehörigen Dateinamen durchlaufen, indem ich:

for f in zip(classes, filenames):
    ...