You need to enable JavaScript to run this app. AutoKeras文本分类场景下如何按预测索引获取对应类别字符串名称
优惠活动
大模型
产品
解决方案
定价
更多

AutoKeras文本分类场景下如何按预测索引获取对应类别字符串名称

解决AutoKeras导出Keras模型后预测索引映射回原始字符串类别的方案

核心逻辑说明

AutoKeras在训练时会自动将传入的字符串类型标签转换为整数索引用于模型拟合,这个转换过程是内置在分类器管线中的,不会默认暴露给用户,但可以通过固定路径获取对应映射关系,避免手动维护出现错配。

可落地实现路径

方案1:直接调用AutoKeras内置方法完成索引到类名的转换(最省心)

训练完成后,不需要手动提取映射表,直接使用TextClassifier对象自带的标签转换方法即可拿到对应类名:

# 传入预测得到的索引值,直接返回对应的原始字符串类别
class_name = clf._get_label_name(predicted_class[0])

这个方法和训练时的标签编码规则完全对齐,不受小版本差异的影响。

方案2:从分类器的预处理管线中提取全量标签映射表

如果内置方法因为版本差异无法调用,可以直接从分类器内部的标签编码层读取存储的类别词汇表:

# 获取分类器内部的字符串-整数标签转换层
label_encoder = clf._label_encoder
# 读取层内存的全量类别词汇表,顺序和整数索引一一对应
vocab = label_encoder.get_vocabulary()
# 根据预测索引直接查询对应类别
target_class = vocab[20]

注意:不同AutoKeras版本对未知类别(OOV)的索引位置配置不同,不要默认假设固定的偏移量。可以用1条已知类别的测试样本做校验:将已知标签的样本喂给导出的Keras模型,记录模型输出的argmax值,和词汇表中该已知类别的索引位置对比,即可算出准确的偏移量,避免映射错位。

方案3:训练阶段主动固化映射关系(最稳定,不受版本变动影响)

不依赖AutoKeras的内部属性,在数据加载阶段就主动构建完整的索引-类别映射,从根源上避免版本兼容问题:

# 加载原始数据后、划分数据集前,直接从全量标签中提取去重类别列表
all_labels = pd.unique(df.category.values)
# 构建双向映射字典
idx_to_class = {idx: class_name for idx, class_name in enumerate(all_labels)}

因为AutoKeras生成标签编码的顺序和训练数据中标签出现的先后顺序完全一致,只要在划分训练/测试集之前就从全量标签中提取去重列表,顺序和AutoKeras内部的编码顺序100%匹配。后续拿到模型预测的索引值[20]时,直接通过字典查询即可得到对应的原始类名:

predicted_class_idx = predicted_class[0]
predicted_class_name = idx_to_class[predicted_class_idx]

重点提示:不要在训练/测试集划分完成后再提取类别列表,否则会因为标签出现顺序变化导致映射关系错位,必须在拿到原始全量标签、做任何数据切分之前就完成类别列表的提取。

兜底使用技巧

如果不需要完全依赖原生Keras模型做推理,可以直接用训练好的clf对象的predict方法输出结果,AutoKeras会自动将整数索引转换回原始的字符串标签,全程不需要手动处理映射关系:

# 直接调用AutoKeras的predict方法,返回值就是和输入标签同类型的字符串结果
result = clf.predict(["Hello world"])

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

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.24 21:45:03