手语识别神经网络：如何获取全连接层最大概率输出及生成预测字母一维列表

嘿，作为新手能练出99%准确率的手语识别模型已经超棒啦！先帮你理清楚代码的基础逻辑，再解决你问的两个问题～

关于输出层的model.add(Dense(units=26,activation="softmax")) #

• 这里的units=26对应26个英文字母，每个单元就像一个“概率计算器”，输出当前输入的手语数据属于对应字母的可能性。
• softmax激活函数的作用是把这26个单元的输出值压缩到0-1之间，而且所有26个概率加起来刚好等于1。这样你就能直观看到每个字母的概率占比，比如某样本输出里A的概率是0.95，其他字母加起来才0.05，那基本就能确定是A了。

关于评估准确率的model.evaluate(x=test_X,y=test_Y,batch_size=32) #

• test_X是你准备好的测试用手语数据，test_Y是这些数据对应的真实字母标签（相当于标准答案）。
• batch_size=32是说模型每次一次性处理32个测试样本，这样计算效率更高。
• 最后返回的accuracy是模型预测正确的样本数占总测试样本数的比例，99%的准确率说明你的模型对手语字母的识别能力已经非常强了！

你可以先用model.predict(test_X)得到所有测试样本的概率矩阵（形状是[样本数量, 26]，每一行对应一个样本的26个字母概率），然后用下面两种简单方法取最大值对应的索引：

• 方法一（用numpy）：

  import numpy as np
  # 先得到所有样本的概率预测结果
  predictions = model.predict(test_X)
  # 沿着每一行（每个样本的26个概率）找最大值的索引，axis=1表示行方向
  max_prob_indices = np.argmax(predictions, axis=1)
  

  这里得到的索引0对应字母A，1对应B，……，25对应Z。

• 方法二（用TensorFlow后端）：

  import tensorflow as tf
  predictions = model.predict(test_X)
  max_prob_indices = tf.keras.backend.argmax(predictions, axis=1)
  # 如果需要转换成numpy数组方便后续处理
  max_prob_indices = max_prob_indices.numpy()
  

拿到上面的索引后，只需要把索引映射成对应的字母就行，步骤如下：

1. 先创建一个字母和索引对应的列表：

   letters = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M',
              'N', 'O', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z']
   

2. 用列表推导式快速生成预测字母的一维列表：

   predicted_letters = [letters[idx] for idx in max_prob_indices]
   

   这样predicted_letters就是你想要的结果啦，比如它可能是['A', 'G', 'Z', 'M', ...]，每个元素对应一个测试样本的预测字母。

内容的提问来源于stack exchange，提问作者Arshad_221b