在尝试使用TensorFlow进行二元图像分类时，我遵循了TensorFlow提供的二元图像分类教程 https://www.tensorflow.org/tutorials/keras/text_classification_with_hub#evaluate_the_model。
我顺利地完成了教程，但随后我想更仔细地检查结果，特别是希望看到模型对测试数据集中每个项目的预测结果。
简而言之，我希望看到模型对给定电影评论预测的“标签”（1或0）。
所以我尝试了以下操作：
results = model.predict(test_data.batch(512))
然后
for i in results: print(i)
这几乎符合我的预期。得到一个包含25,000个条目（每个电影评论一个）的列表。
但数组中每个项目的值却不是我预期的。我原本期待看到预测的标签，即0（表示负面）或1（表示正面）。
但我得到的结果是这样的：
[0.22731477][2.1199656][-2.2581818][-2.7382329][3.8788114][4.6112833][6.125982][5.100685][1.1270659][1.3210837][-5.2568426][-2.9904163][0.17620209][-1.1293088][2.8757455]...依此类推，总共有25,000个条目。能否有人帮助我理解这些数字的含义？
我是否误解了“predict”方法的功能，还是说（因为这些数字看起来类似于模型第一层引入的词嵌入向量）我误解了预测与词嵌入层以及最终分类标签之间的关系？
我知道这是一个初学者的问题。但非常感谢你们的帮助和耐心 
回答：
根据你提供的链接，问题出在你的输出激活函数上。该代码使用了没有激活函数的1个神经元的密集向量。因此，它只是将前一层输出与权重和偏差相乘并求和。你得到的输出范围在负无穷（负类）到正无穷（正类）之间。因此，如果你真的希望输出在0到1之间，你需要一个激活函数，例如sigmoid model.add(tf.keras.layers.Dense(1), activation='sigmoid')。现在我们将所有东西映射到0到1的范围内，所以如果输出小于0.5（中间点），我们可以将其分类为负类，反之亦然。
实际上，你对预测函数的理解是正确的。你只是没有添加激活函数来适应你的假设，这就是为什么你得到这样的输出而不是0到1之间的值。
