如何将sigmoid激活函数输出转换为0和1？

Question

我有以下数组：

array([8.1837177e-05, 1.0788739e-03, 4.4837892e-03, 3.4919381e-04, 7.6085329e-05, 7.6562166e-05, 5.3864717e-04, 5.4001808e-04,  3.3849746e-02, 2.9903650e-04], dtype = float32)

我想将其转换为：

array([0, 0, 0, 0, 0, 0, 0, 0, 1, 0], dtype = float32)

我需要找到该行的最大值，将其替换为1.然后，将该行的其他9个值替换为0。

我需要为2D数组（一系列看起来像示例中的数组）完成此操作

Answer 1

x = array([1, 2, 3, 4])


x = np.where(x == max(x), 1, 0) # will replace max with 1 and the others with 0

这将创建：

array([0, 0, 0, 1])

对于2D阵列，您可以执行以下操作：

x = array([[0, 3, 4, 5],
           [1, 2, 3, 1],
           [6, 9, 1, 2]])

x = np.array([np.where(l == max(l), 1, 0) for l in x])

这将创建：

array([[0, 0, 0, 1],
       [0, 0, 1, 0],
       [0, 1, 0, 0]])`

• 有关使用numpy.where check out this的更多信息
• 如果你愿意的话，你可以在tensorflow中这样做，check out this so answer

Answer 2

将np.where与max结合使用：

a = np.array([8.1837177e-05, 1.0788739e-03, 4.4837892e-03, 3.4919381e-04, 7.6085329e-05, 7.6562166e-05, 5.3864717e-04, 5.4001808e-04,  3.3849746e-02, 2.9903650e-04])

np.where(a == a.max(), 1, 0)

输出：

array([0, 0, 0, 0, 0, 0, 0, 0, 1, 0])

在2D情况下，我们取每行的最大值：

np.where(a == a.max(axis=1)[:, np.newaxis], 1, 0)

那就是说，我觉得keras应该有一些内置的东西为你做这个...

Answer 3

你可以像这样使用列表理解：

x = [5,6,7,8,9]
y = [1 if num == max(x) else 0 for num in x]

Answer 4

这种方法需要两行，但它避免了将每个数组元素与max进行比较，并且在2D中运行良好。我不知道它会真的更快（当然不是渐近），但我认为两行比在python中执行for循环更好，可读性可能比使用np.where更好。

import numpy as np

# here's your example input
# note - the input must be 2D even if there's just one row
# it's easy to adapt this to the 1D case, but you'll be working with 2D arrays for this anyway
class_probs = np.array([[
    8.1837177e-05, 1.0788739e-03, 4.4837892e-03, 3.4919381e-04, 7.6085329e-05,
    7.6562166e-05, 5.3864717e-04, 5.4001808e-04, 3.3849746e-02, 2.9903650e-04,
]])
pred_classes = np.zeros_like(class_probs)
pred_classes[range(len(class_probs)), class_probs.argmax(-1)] = 1
print(pred_classes) # [[0. 0. 0. 0. 0. 0. 0. 0. 1. 0.]]

# and here's showing the same code works for multiple rows
class_probs = np.random.rand(100, 10)
pred_classes = np.zeros_like(class_probs)
pred_classes[range(len(class_probs)), class_probs.argmax(-1)] = 1
pred_classes

（这不是你的实际问题，但是你的意思是使用sigmoid激活函数吗？而不是softmax？你得到的输出不是10个可能类的单一分布（你可以看到它甚至不是相反，你有10个分布，每个类一个（因此，输入为0级的概率是8.1837177e-05，而不是0级的概率是1 - 8.1837177e-05）。这在进行多标签分类时是有意义的（其中）可以应用多个标签），但是你不希望找到具有最高概率的类，你可以预测所有具有高于阈值的概率的类（例如0.5）。）