使用Google Colab与TensorFlow构建分类模型时.predict方法输出异常

1. 核心问题拆解 #

你的代码存在三个关键问题，导致predict输出异常且不符合预期：

• 最后一层输出维度与激活函数不匹配：单神经元用softmax必然输出1.0，因为softmax会将单值归一化为总和1
• 标签格式未适配模型要求：原标签是1和4，未转换成模型可识别的0/1或对应编码格式
• 损失函数与模型输出逻辑不匹配：当前损失函数和输出层的组合无法实现双类别概率输出

2. 修正方案（实现双类别概率输出） #

以下是贴合你需求的完整修正步骤：

步骤1：调整标签格式 #

将原标签1和4映射为0和1（对应模型输出的两个索引，后续可反向映射回原类别）：

labels = labels.map({1: 0, 4: 1})

步骤2：修正模型结构与编译参数 #

把最后一层改成2个神经元+softmax激活，搭配适配整数标签的损失函数：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(256, activation='tanh', input_shape=(82,)),
    tf.keras.layers.Dense(2, activation='tanh'),  # 自动继承上一层维度，无需手动指定input_shape
    tf.keras.layers.Dense(2, activation='softmax')  # 2个神经元对应两个类别的概率输出
])

# 使用sparse_categorical_crossentropy，适配整数类型的标签
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

步骤3：训练与预测解析 #

增加训练轮次让模型充分学习，预测后将输出映射回原类别：

# 增加epochs，加入验证集监控训练效果
model.fit(x=features, y=labels, shuffle=True, epochs=20, validation_split=0.2)

# 预测并解析结果
predictions = model.predict(features)
for pred in predictions:
    # 索引0对应原类别1，索引1对应原类别4
    print(f"1: {pred[0]:.2f}, 4: {pred[1]:.2f}")

额外注意事项 #

• 数据切片df.iloc[1:, 1:]会跳过第一行数据，确认你的表头是否在第一行，若第一行是有效数据，需改为df.iloc[:, 1:]
• 若不想修改标签，可保留原标签1和4，只需将损失函数改为categorical_crossentropy，同时对标签做one-hot编码：

  labels = tf.keras.utils.to_categorical(labels - 1, num_classes=2)  # 减1让标签变为0和1，再转one-hot
  model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
  

内容的提问来源于stack exchange，提问作者akozel