神经网络图像二分类

 

实现了一个神经网络-二进制分类

让我们在python中实现一个用于二进制分类的基本神经网络，该神经网络用于在给定图像为0或1时进行分类。

In [277]:

 

import pandas as pd 

import numpy as np 

​

import matplotlib.pyplot as plt

import matplotlib.image as mpimg

import seaborn as sns

%matplotlib inline

​

import itertools

from sklearn.model_selection import train_test_split

from sklearn.metrics import confusion_matrix

from sklearn import  metrics

2.1数据准备

第一步是加载和准备数据集

数据来源：https://github.com/woshizhangrong/train_raw

In [278]:

 

train = pd.read_csv("E:/Digit_Recognizer/train1.csv")

In [279]:

 

sns.countplot(train['label'])

Out[279]:

<matplotlib.axes._subplots.AxesSubplot at 0x243f59e8>

In [280]:

 

# Check for null and missing values

train.isnull().any().describe()

Out[280]:

count       785
unique        1
top       False
freq        785
dtype: object

我检查损坏的图像(里面缺少值)。

在训练和测试数据集中没有缺失值。所以我们可以安全的继续。

In [281]:

 

# include only the rows having label = 0 or 1 (binary classification)

X = train[train['label'].isin([0, 1])]

​

# target variable

Y = train[train['label'].isin([0, 1])]['label']

​

# remove the label from X

X = X.drop(['label'], axis = 1)

2.2实现激活函数

我们将使用sigmoid激活函数，因为它输出0和1之间的值，所以这是一个很好的选择，对于二元分类问题

In [282]:

 

# implementing a sigmoid activation function

def sigmoid(z):

    s = 1.0/ (1 + np.exp(-z))    

    return s

2.3定义神经网络架构

创建一个有三层的模型——输入，隐藏，输出。

In [283]:

 

def network_architecture(X, Y):

    # nodes in input layer

    n_x = X.shape[0] 

    # nodes in hidden layer

    n_h = 10          

    # nodes in output layer

    n_y = Y.shape[0] 

    return (n_x, n_h, n_y)