Как сохранить предсказания TensorFlow в DataFrame?

Я новичок в Tensorflow. Я обучил модель Tensorflow, но мне нужно взять предсказания модели и добавить их в мой оригинальный тестовый набор в качестве столбца. Как я могу это сделать?

def model(self, layers_dims, X_train, Y_train, X_test, Y_test, learning_rate=0.00001,
          num_epochs=1000, print_cost=True):
    """
    Реализует трехслойную нейронную сеть tensorflow: LINEAR->RELU->LINEAR->RELU->LINEAR->SOFTMAX.

    Аргументы:
    X_train -- тренировочный набор, размер (входной размер = 12288, количество примеров в обучающем наборе = 1080)
    Y_train -- тестовый набор, размер (выходной размер = 6, количество примеров в тестовом наборе = 1080)
    X_test -- тренировочный набор, размер (входной размер = 12288, количество примеров в обучающем наборе = 120)
    Y_test -- тестовый набор, размер (выходной размер = 6, количество примеров в тестовом наборе = 120)
    learning_rate -- скорость обучения оптимизации
    num_epochs -- количество эпох в цикле оптимизации
    minibatch_size -- размер минипакета
    print_cost -- True, чтобы выводить стоимость каждые 100 эпох

    Возвращает:
    parameters -- параметры, изученные моделью. Они могут быть использованы для предсказания.
    """

    ops.reset_default_graph()  # чтобы иметь возможность повторно запускать модель без перезаписи переменных tf
    tf.set_random_seed(1)  # чтобы результаты были консистентными
    seed = 3  # чтобы результаты были консистентными
    (n_x, m) = X_train.shape  # (n_x: входной размер, m: количество примеров в обучающем наборе)

    n_y = Y_train.shape[0]  # n_y: выходной размер
    #print('Ytrain shape', Y_train.shape)
    costs = []  # Для отслеживания стоимости

    # Создать заполнители размером (n_x, n_y)
    X, Y = self.create_placeholders(n_x, n_y)

    # Инициализация параметров
    parameters = NN_predict_trading_decisions.initialize_parameters(layers_dims)

    # Прямая прогпация: Построить прямую прогпацию в графе tensorflow
    ZL = NN_predict_trading_decisions.forward_propagation(X, parameters)

    # Функция стоимости: Добавить функцию стоимости в граф tensorflow
    cost = NN_predict_trading_decisions.compute_cost(ZL, Y)


    # Обратное распространение: Определить оптимизатор tensorflow. Использовать AdamOptimizer.
    #optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
    optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

    # Инициализация всех переменных
    init = tf.global_variables_initializer()

    # Начать сессию для вычисления графа tensorflow
    with tf.Session() as sess:

        # Запустить инициализацию
        sess.run(init)

        # Выполнить цикл обучения
        for epoch in range(num_epochs):

            epoch_cost = 0.  # Определить стоимость, связанную с эпохой
            current_cost = sess.run([optimizer, cost], feed_dict= {X: X_train, Y: Y_train})
            epoch_cost +=  current_cost[1]

            # Выводить стоимость каждую эпоху
            if print_cost == True and epoch % 100 == 0:
                print("Cost after epoch %i: %f" % (epoch, epoch_cost))
            if print_cost == True and epoch % 5 == 0:
                costs.append(epoch_cost)

        # построить график стоимости
        plt.plot(np.squeeze(costs))
        plt.ylabel('cost')
        plt.xlabel('iterations (per tens)')
        plt.title("Learning rate =" + str(learning_rate))
        plt.show()

        # сохранить параметры в переменной
        parameters = sess.run(parameters)
        print("Parameters have been trained!")

        # Рассчитать правильные предсказания
        correct_prediction = tf.equal(tf.argmax(ZL), tf.argmax(Y))



        # Рассчитать точность на тестовом наборе
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

        print("Train Accuracy:", accuracy.eval({X: X_train, Y: Y_train}))
        print("Test Accuracy:", accuracy.eval({X: X_test, Y: Y_test}))

        return parameters

Благодаря Ankit Seth я нашел ответ.

# это возвращает выходной слой прямой прогпации с обученными параметрами модели.
pred = forward_propagation(X, parameters)
predictions_sigm = pred.eval(feed_dict = {X: X_test})
predictions_sigm = sigmoid(predictions)

# pred.eval возвращает слой линейной регрессии для каждого класса отдельно, поэтому нам нужно выбрать индекс максимального из них. Я не использую softmax слой, так как выход должен быть таким же.

# инициализация списка классов
y_list = []

for i in range(predictions_sigm.shape[1]):
    class_list = []
    class_list.append(predictions_sigm[0][i])   
    class_list.append(predictions_sigm[1][i])
    class_list.append(predictions_sigm[2][i])
    class_list.append(predictions_sigm[3][i])

    # получить индекс максимального значения сигмоиды. он будет соответствовать классу
    y = np.argmax(class_list)
    y_list.append(y)

   # затем добавить y_list в dataframe
   df['predicted_y'] = y_list

Создайте список входных данных, пропустите каждый вход через вашу модель и сохраните предсказание в список, затем вы можете запустить следующий код.

preds = YOUR_LIST_OF_PREDICTION_FROM_NN
result = pd.DataFrame(data={'Id': YOUR_TEST_DATAFRAME['Id'], 'PREDICTION_COLUM_NAME': preds})
result.to_csv(path_or_buf="submittion.csv", index = False, header = True)

Затем извлеките предсказание из тензора в Tensorflow.
Это извлечет данные из Tensor:

pred = forward_propagation(X, parameters) 
predictions = pred.eval(feed_dict = {X: X_test})