Как преобразовать массив чисел который возвращается функцией model.predict в нормальный вид?

Question

[Rakt0R]

Есть обученная модель на рукописных буквах keras я закидываю картинку в model.predict и на выходе получаю массив

[[1.3135763e-05 1.8715122e-05 5.0942384e-04 3.1368667e-03 4.8224399e-07
  1.9225614e-09 8.8021789e-06 1.6401860e-07 2.6549672e-11 8.3116026e-07
  4.0256078e-09 1.6796425e-07 3.6518568e-06 4.8067295e-06 9.9334598e-01
  7.0137314e-05 2.8724906e-03 1.3247293e-06 4.6422329e-06 4.0724663e-07
  7.1994928e-06 7.2270223e-10 5.1488752e-07 8.8831303e-11 1.3050018e-07
  1.7309665e-07]]

Как понять какой результат выдает модель??

Comments

[Модератор]

Не надо ставить как можно больше тэгов. Лучше оставить один, но конкретный, с которым проблема.
См.п.3.1 Регламента. Также обратите внимание на п.3.2

[Модератор]

Фрагменты кода надо размещать в виде текста и оборачивать тэгом code для корректного отображения. Удобно делать кнопкой </>
Это обязательно, см.п.3.8 Регламента.
Сюда же относится traceback, ввод и вывод в консоли и другая структурированная текстовая инфа.

Answer 1

[Александр Скуснов]

В английском алфавите 26 букв. Обычно порядок от a до z. Выбери максимальное число, его положение будет соответствовать одной букве (если сумма =1, то это вероятности).
Скорее всего, на картинке английская буква.

Comments

[Rakt0R]

Спасибо большое :)

Answer 2

[mayton2019]

Этого никто не знает. Нужно знать во первых фреймворк keras. Во вторых знать как проходило обучение.
Какая топология сети была выбрана. Без этой информации эти числа - просто остаются массивом чисел.

И ты должен еще нам всем рассказать как у тебя представлены рукописные буквы. Эту информацию
ты точно должен знать.

Answer 3

[Максим Припадчев]

Ну надо конечно догадываться что вы имеете ввиду под нормальным видом, данные в массиве представлены в научном виде. Например 1e-02 = 1*10^(-2) = 1/100. Соответственно, например 1.3135763e-05 = 1.3135763 * 10^(-5).

Можно принудить конечно numpy отображать маленькие числа в "обычном виде" например
np.set_printoptions(suppress=True)
особо маленькие числа он будет показывать, как ноль, что бы преодолеть и это у вас -10 самая большая степень, можно добавить форматтер.

np.set_printoptions(suppress=True, formatter={'float_kind':'{:0.10f}'.format})

в обоих случаях при печати numpy массива он будет в том что вы называете "нормальным видом".

Answer 4

[rPman]

дико интересно, что это за задача в которой размерность на выходе сети - 26 (когда как рукописные буквы это весь русский алфавит - 33 и цифры - 10, сверху еще знаки препинания неплохо бы докинуть)

В подавляющем большинстве случаев распознавание строится по принципу - каждый элемент выходного вектора = искомый объект (т.е. в данной задаче символ) а значение - вероятность (значение от 0 до 1, где 1 - это 100%, сумма всех вероятностей не 1) того что соответствующий объект был подан на вход.

В данном случае судя по всему это символ в позиции 14 с вероятностью 9.9334598e-01 (она тут максимальная)

Ответ на твой вопрос - смотри как формировалась обучающая выборка, как выходы определялись.

Comments

[Rakt0R]

Там модель обучена на английском алфавите, а про задачу - система распознования рукописного текста :)
Получается на выходе из mode.predict мы получаем массив вероятностей ?

[dmshar]

Rakt0R, Наверное это ни с чем не сравнимое чувство - как бы решать задачу, получить решение и даже не понять, а что это такое на самом деле. Со стороны это выглядит примерно как попытки трех летнего ребенка разобраться, как работает игрушка путем ее растерзания на мелкие кусочки. Может стоит начать с того, чтобы прочитать, а что это за программульку такую вы с перепугу запустили и что за результаты она выдает. Тогда и вопросы смешные задавать не придется.

[Rakt0R]

dmshar, спасибо, обязательно прислушаюсь к вашему совету