在TensorFlow中将单神经元输出转为0/1分类及泰坦尼克模型精度计算方案

嘿，针对你在泰坦尼克数据集上构建神经网络时，需要把模型输出Z3/A3转换成0或1（大于0.5为1，否则为0）的需求，我整理了几种实用的实现方法，结合你的前向传播代码来看：

这是最直接的方式，直接根据阈值条件生成0/1结果：

# 假设A3是经过sigmoid激活后的输出（范围0-1）
predictions = tf.where(A3 > 0.5, 1.0, 0.0)

# 如果是未经过激活的Z3（logits），可以直接用0作为阈值（因为sigmoid(z)>0.5等价于z>0）
predictions = tf.where(Z3 > 0, 1.0, 0.0)

先通过比较得到布尔类型的掩码，再把布尔值转换成数值类型：

# 处理A3的情况
bool_mask = A3 > 0.5
# 转成float32得到0.0/1.0，或者tf.int32得到0/1整数
predictions = tf.cast(bool_mask, tf.float32)

如果你的Z3是最后一层的logits（没经过sigmoid），可以先转成概率再用round函数自动取整：

# 先把Z3转成0-1之间的概率
A3 = tf.nn.sigmoid(Z3)
# round会自动把>0.5的转成1，<0.5的转成0
predictions = tf.math.round(A3)

要是你用的是Keras API，也可以用后端的round函数快速实现：

from tensorflow.keras import backend as K
predictions = K.round(A3)

小补充：计算精度的时候，记得把预测结果和真实标签转成相同的数据类型，比如：

# 假设y_true是你的真实标签（整数类型）
correct = tf.equal(tf.cast(predictions, tf.int32), y_true)
accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))

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