MNIST数据集：10个二分类神经网络实现的代码优化建议咨询

嘿，这个思路挺有意思的——用10个二分类器实现多分类，刚好适合初学者拆解多分类任务的本质！我来给你一步步拆解怎么修改代码实现这个方案：

首先要把原MNIST的多分类标签，转换成10组二分类标签（每组对应“当前类别vs其余所有类别”）。这里可以用numpy的where函数快速实现：

import numpy as np
from tensorflow.keras.datasets import mnist

# 加载并预处理基础数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 归一化+展平28*28图像为一维向量
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0
x_train = x_train.reshape((len(x_train), 28*28))
x_test = x_test.reshape((len(x_test), 28*28))

# 生成10组二分类数据集
binary_datasets = []
for target_class in range(10):
    # 训练集标签：目标类别标记为1，其余为0
    y_train_binary = np.where(y_train == target_class, 1, 0)
    # 测试集标签同理
    y_test_binary = np.where(y_test == target_class, 1, 0)
    binary_datasets.append( (x_train, y_train_binary, x_test, y_test_binary) )

因为10个模型的结构可以完全一致，我们写一个函数来生成复用的二分类模型，避免重复代码：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout

def build_binary_classifier(input_shape=(784,)):
    model = Sequential([
        Dense(128, activation='relu', input_shape=input_shape),
        Dropout(0.2),  # 防止过拟合
        Dense(64, activation='relu'),
        Dropout(0.2),
        Dense(1, activation='sigmoid')  # 二分类用sigmoid输出概率
    ])
    # 二分类专用的损失函数和优化器
    model.compile(optimizer='adam',
                  loss='binary_crossentropy',
                  metrics=['accuracy'])
    return model

接下来遍历每组二分类数据集，训练对应的模型并保存：

trained_models = []  # 存储10个训练好的模型

for idx, (x_tr, y_tr, x_te, y_te) in enumerate(binary_datasets):
    print(f"===== 训练第 {idx} 个模型（识别数字 {idx}）=====")
    model = build_binary_classifier()
    # 加入早停回调防止过拟合（可选但推荐）
    from tensorflow.keras.callbacks import EarlyStopping
    early_stop = EarlyStopping(monitor='val_loss', patience=3, restore_best_weights=True)
    
    model.fit(x_tr, y_tr,
              epochs=15,
              batch_size=32,
              validation_data=(x_te, y_te),
              callbacks=[early_stop],
              verbose=1)
    trained_models.append(model)

训练完成后，我们可以通过“取最大概率”的方式集成10个二分类器的结果：每个模型输出样本属于对应类别的概率，最终预测概率最高的类别。

def predict_digit(x_sample, models):
    # 收集每个模型的预测概率
    prob_list = []
    for model in models:
        # 预测单个样本的概率
        prob = model.predict(x_sample.reshape(1, 784), verbose=0)[0][0]
        prob_list.append(prob)
    # 取概率最大的索引作为最终类别
    return np.argmax(prob_list)

# 测试一个样本
test_idx = 100
true_label = y_test[test_idx]
pred_label = predict_digit(x_test[test_idx], trained_models)
print(f"真实数字: {true_label}, 预测数字: {pred_label}")

• 如果想简化代码，可以用sklearn的OneVsRestClassifier封装Keras模型，但手动实现10个模型更适合理解原理
• 可以给不同模型调整超参数（比如神经元数量、dropout比例），观察对分类效果的影响
• 可以把训练好的模型保存下来，后续直接加载使用：model.save(f"digit_{idx}_classifier.h5")

内容的提问来源于stack exchange，提问作者7speed