Neural network I'；我得到的这个keras神经网络的准确率为0%

我试图对MNIST数据集的子集进行二元分类。目标是预测一个样本是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。我构建了一个由一个输入层、两个隐藏层和一个输出层组成的网络。我使用sigmoid作为激活函数来输出图层和隐藏图层的relu。我不知道为什么我最终得到了0%的准确率

#导入库
从keras.models导入顺序
从keras.layers导入稠密
作为pd进口熊猫
将numpy作为np导入
从sklearn.model\u选择导入列车\u测试\u拆分
导入操作系统
np.随机种子（7）
chdir（'C:/Users/olivi/Documents/Python workspace'）
#数据加载
数据=pd.read\u csv（'MNIST\u CV.csv'）
#Y目标标签
Y=data.iloc[：，0]
#十：特点
X=data.iloc[：，1:]
X_序列，X_测试，y_序列，y_测试=序列测试分割（X，y，测试大小=0.25，随机状态=42）
#创建模型
模型=顺序（）
添加（密集型（392，内核初始化器='normal'，输入尺寸=784，
激活（='relu'））
添加（稠密（196，内核初始化器='normal'，激活='relu'））
添加（稠密（98，内核初始化器='normal'，激活='relu'））
model.add（密集型（1，激活='sigmoid'））
compile（loss='binary\u crossentropy'，optimizer='adam'，metrics=['accurity']）
model.summary（）
#训练模型
模型拟合（X\U系列，y\U系列，历代=100，批量=50）
打印（模型预测（X_检验，批量=50））
分数=模型评估（X_检验、y_检验）
打印（“\n测试精度：”，分数[1]）

选择MNIST的子集后，您必须确定样本中有多少不同类别的数字（包括训练集和测试集）

因此：

然后您应该对Y进行热编码：

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)

确保培训和测试集的Y类课程数相同

---

预测后，使用np.where（）找到6和8的位置，选择此子样本并测试您的准确性。

如果使用二进制交叉熵，标签应为0或1（分别表示“不是数字6”或“是数字6”）

---

如果您现在的Y目标标签是值6和8，它将失败。

非常感谢您，克拉伦斯！正如你提到的，我把6和8作为目标标签。我将所有内容转换为0（6个标签）或1（8个标签），效果非常好。现在我有96.78%的准确率。

model.predict_classes(X_test,batch_size= 50)