我得到这个 keras 神经网络的准确率为 0%

Question

我正在尝试对 MNIST 数据集的一个子集进行二元分类。目标是预测样本是 6 还是 8。因此，每个样本有 784 个像素特征，数据集中有 8201 个样本。我构建了一个包含一个输入层、2 个隐藏层和一个输出层的网络。我使用 sigmoid 作为激活函数来输出层和隐藏层的 relu。我不知道为什么我最后的准确度是 0%。

#import libraries
from keras.models import Sequential
from keras.layers import Dense
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
import os
np.random.seed(7)

os.chdir('C:/Users/olivi/Documents/Python workspace')

#data loading
data = pd.read_csv('MNIST_CV.csv')

#Y target label
Y = data.iloc[:,0]

#X: features
X = data.iloc[:,1:]

X_train, X_test, y_train, y_test = train_test_split(X, Y,test_size=0.25,random_state=42)

# create model
model = Sequential()
model.add(Dense(392,kernel_initializer='normal',input_dim=784, 
activation='relu'))
model.add(Dense(196,kernel_initializer='normal', activation='relu'))
model.add(Dense(98,kernel_initializer='normal', activation='relu'))
model.add(Dense(1, activation='sigmoid'))


model.compile(loss = 'binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.summary()


# Training the model
model.fit(X_train, y_train, epochs=100, batch_size=50)

print(model.predict(X_test,batch_size= 50))

score = model.evaluate(X_test, y_test)
print("\n Testing Accuracy:", score[1])

Answer 1

选择 MNIST 的子集后，您必须确定样本（训练集和测试集）中有多少不同的类数字。

所以：

classes=len(np.unique(Y))

那么你应该热编码 Y:

Y_train = np_utils.to_categorical(y_train, classes)
Y_test = np_utils.to_categorical(y_test, classes)

之后，将神经网络的最后一层更改为：

model.add(Dense(classes, activation='sigmoid'))

最后：

model.predict_classes(X_test,batch_size= 50)

确保训练集和测试集的 Y 的类数量相同。

预测后，使用 np.where()、select 这个子样本找到 6 和 8 的位置并测试您的准确性。

Answer 2

如果您使用二元交叉熵，您的标签应为 0 或 1（分别代表 "is not number 6" 或 "is number 6"）。

如果您现在的 Y 目标标签是值 6 和 8，它将失败。

我得到这个 keras 神经网络的准确率为 0%

I'm getting a 0% accuracy for this keras neural network

neural-network

mnist

deep-learning

keras