在新数据上生成预测结果

predictions = model.predict(x_test)
print(predictions[0].shape)
print(np.sum(predictions[0]))
print(np.argmax(predictions[0]))

(46,)
1.0000001
3

小结：

• 如果要对 N 个类别的数据点进行分类，网络的最后一层应该是大小为 N 的 Dense 层；
• 对应单标签、多分类问题，网络的最后一层应该使用 softmax 激活，使得输出在 N 个输出类别上的概率分布；
• 这种问题的损失函数几乎总是分类交叉熵。它将网络输出的概率分布与目标的真实分布之间距离最小化；
• 处理多分类问题的标签有两种方法：
  1、通过分类编码（one-hot 编码）对标签进行编码，然后使用 categorical_crossentropy 作为损失函数；
  2、将标签编码为整数，然后使用sparse_categorical_crossentropy 作为损失函数
• 如果要将数据划分到许多类别中，应该避免使用太小的中间层，以免在网络中造成信息瓶颈。