Я получаю 0% точности для этой нейронной сети Keras

Question

Я пытаюсь сделать двоичную классификацию для подмножества набора данных MNIST. Цель состоит в том, чтобы предсказать, будет ли выборка 6 или 8. Итак, у меня есть 784 пиксельных объекта для каждой выборки и 8201 выборок в наборе данных. Я построил сеть из одного входного слоя, 2 скрытых слоев и одного выходного слоя. Я использую сигмоид в качестве функции активации для вывода слоя и relu для скрытых слоев. Я понятия не имею, почему я получаю 0% точности в конце.

#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

Если вы используете двоичную кросс-энтропию, ваши метки должны быть либо 0, либо 1 (обозначая «не число 6» или «соответственно число 6»).

Если ваши целевые метки Y сейчас имеют значения 6 и 8, это не удастся.

Answer 2

Как только вы выбираете подмножество MNIST, вы должны быть уверены, сколько разных классов цифр содержится в вашем образце (как обучающий, так и тестовый набор).

Итак:

classes=len(np.unique(Y))

Тогда вы должны горячо кодировать Y:

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

После этого измените последний слой вашей нейронной сети на:

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

Наконец:

model.predict_classes(X_test,batch_size= 50)

Убедитесь, что в тренировочном и тестовом наборе одинаковое количество классов для Y.

После прогноза найдите местоположение 6 и 8, используя np.where (), выберите этот подвыбор и проверьте свою точность.