我有一个使用Scikit-Learn API的Keras包装器构建的Keras分类器。神经网络有 10 个输出节点，训练数据全部使用 one-hot 编码表示。
根据 Tensorflow 文档，predict函数输出的形状为(n_samples,)。当我拟合514541样本时，该函数返回了一个形状为(514541, )的数组，数组的每个条目的范围从 0 到 9。
由于我有十个不同的输出，每个条目的数值是否与我在训练矩阵中编码的结果完全对应？
即，如果我的y_train个热编码的索引 5 表示"橙色"，预测值 5 是否意味着神经网络预测了"橙色"？
这是我的模型示例：
model = Sequential()
model.add(Dropout(0.2, input_shape=(32,) ))
model.add(Dense(21, activation='selu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
你的问题有一些问题。
神经网络有 10 个输出节点，训练数据全部使用 one-hot 编码表示。
由于您的网络有 10 个输出节点，并且您的标签是单热编码的，因此您的模型的输出也应该是 10 维的，并且再次是热编码的，即形状(n_samples, 10)。此外，由于您对最后一层使用softmax激活，因此 10 维输出的每个元素都应在 [0， 1] 中，并解释为输出属于相应(独热编码)类的概率。
根据 Tensorflow 文档，预测函数输出的形状为
(n_samples,)。
令人费解的是，为什么你引用Tensorflow，而你的模型显然是Keras模型;你应该参考Keras顺序API的predict方法。
当我拟合514541样本时，该函数返回了一个形状为
(514541, )的数组，数组的每个条目的范围从 0 到 9。
如果发生类似的事情，那一定是由于代码中后面的部分没有在这里显示;无论如何，这个想法是从每个 10 维网络输出中找到具有最高值的参数(因为它们被解释为概率，所以直观地认为具有最高值的元素将是最有可能的)。换句话说，在你的代码中的某个地方必须有这样的东西：
pred = model.predict(x_test)
y = np.argmax(pred, axis=1) # numpy must have been imported as np
这将给出一个形状数组(n_samples,)，每个y一个介于 0 和 9 之间的整数，正如您所报告的那样。
即，如果我的 y_train 个热编码的索引 5 表示"橙色"，预测值 5 是否意味着神经网络预测了"橙色"？
前提是上述情况成立，是的。