分类 mnist 二进制类

Question

我想为 MNIST 数据集实现神经网络，我在网上找到了很多示例。但我想使用不同的方法研究这个问题：我想创建 10 个 NN（作为类的数量），其中我只对一个类与其他类进行分类（例如：第一个 NN 只分析“1”类与其他）。 这只是一个练习（我是python新手，我想学习）。

这实际上是我的python代码，你有什么建议修改mi代码以获得我上面解释的类分离吗？

from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
import numpy
from keras.utils import np_utils
numpy.random.seed()


(X_train, y_train), (X_test, y_test) = mnist.load_data()

num_pixels = X_train.shape[1] * X_train.shape[2]
X_train.shape[1],X_train.shape[2],X_train.shape[3])
X_train = X_train.reshape(X_train.shape[0], num_pixels).astype('float32')
X_test = X_test.reshape(X_test.shape[0], num_pixels).astype('float32')

X_train = X_train / 255
X_test = X_test / 255
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
print(y_test)
num_classes = y_test.shape[1]
def baseline_model():
model = Sequential()
model.add(Dense(num_pixels, input_dim=num_pixels,           kernel_initializer='normal', activation='relu'))
model.add(Dense(num_classes, kernel_initializer='normal', activation='softmax'))        

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model


 model = baseline_model()

 model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=3,     batch_size=200, verbose=2)

 model.summary()
 scores = model.evaluate(X_test, y_test, verbose=1)
 print("Baseline Error: %.2f%%" % (100-scores[1]*100))

Answer 1

首先您应该将y_train 和y_test 转换为二进制输出。您将希望为十个类中的每一个循环执行此操作，但以下是您将如何为其中之一执行此操作，例如 5：

y_train_binary = (y_train == 5).astype(np.int)
y_test_binary = (y_test == 5).astype(np.int)

现在每个y_train的例子都是1到10之间的一个数字，所以这里我们将其转换为0或1对应于正类是否正确。

然后您想调整模型的输出以支持二元分类。这可以通过使用具有 sigmoid 激活和二元交叉熵损失的单个密集输出神经元来完成：

model.add(Dense(1, kernel_initializer='normal', activation='sigmoid'))   
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])