什么是二分类问题？

二分类问题就是最终的结果只有好或坏这样的一个输出。
比如，这是好的，那是坏的。这个就是二分类的问题。

我们以一个电影评论作为例子来进行。我们对某部电影评论的文字内容为好评和差评。
我们使用IMDB 数据集，它包含来自互联网电影数据库（IMDB）的 50 000 条严重两极分化的评论。数据集被分为用于训练的 25 000 条评论与用于测试的 25 000 条评论，训练集和测试集都包含 50% 的正面评论和 50% 的负面评论。

加载数据集

import tensorflow.keras as keras
(x_train, y_train), (x_test, y_test) = keras.datasets.imdb.load_data(num_words=10000)

参数 num_words=10000 的意思是仅保留训练数据中前 10 000 个最常出现的单词。低频单词将被舍弃。这样得到的向量数据不会太大，便于处理。
如果打印出数据结果，会发现x_train中的数据为：
x_train: [1, 14, 22, 16, 43, 530, 973, 1622,...]
y_train中的数据为：
y_train:[1 0 0 ... 0 1 0]

解密数据

对于y_train中的数据我们比较容易猜出来，大概是0表示差评，1表示好评。
而x_train中的这串数字是啥意思呢？

其实这些是单词的索引，我们先通过如下的语句打印出单词中的索引内容：

data = keras.datasets.imdb.get_word_index()
print(data)

打印出的结果为：
"pleasantvil": 65027, "defininitive": 65028, "reverent": 44834, "gangland": 22426,

也就是单词和索引号之间的映射关系。
在x_train中保存了25000条品论，而其中每条评论是一个数组，其中的内容是单词索引。
例如：
第一条评论x_train[0]为：
[1, 14, 22, 16, 43, 530, 973, ..., 32]
第二条评论x_train[1]为：
[1, 194, 1153, 194, 8255, ..., 95]
每条评论的长度也不一样。
如果想要解密评论的内容，只要根据前面的索引表来拼接出对应的单词就可以。
相应的代码为：

data = keras.datasets.imdb.get_word_index()

word_map = dict([(value,key) for (key,value) in data.items()])
words = []
for word_index in x_train[0]:
    words.append(word_map[word_index])
print(" ".join(words))

解密出的第一条评论为：
the as you with out themselves powerful lets loves their becomes ...

准备数据

在x_train中保存的数据是评论单词的索引，而且我们这里只使用了前最常出现的10000个单词，在词向量中，我们需要把单词索引转换成one-hot编码，那为何要进行这样的转换呢？
我们知道，在进行深度学习的模型训练中，我们都用数字来进行计算，而在单词的表示中，原始数据用单词的索引号来进行了表达，如果直接把单词的索引号用于计算，其实是没有意义的，因为单词的索引号194和1153不存在大小比较和顺序的问题，因此在机器学习中我们经常会使用one-hot编码来表示某些单词或分类的向量问题，也就是你可以把所有的单词空间想象成一个向量，而其中的值只有0和1，每个句子都会包含所有的单词向量，如果在那个句子中包含了某些词，就在那个词向量的位置上置上1，没有包含这个词的就在那个词的位置上设置上0.

比如所有的词为：
当一个句子为：我爱学习，则这个词向量为：
所有词：我是中国爱学习人
句子：我 爱学习
词向量：[1,0,0,0,1,1,1,0]

那如何通过代码来实现这个词向量的转换呢？
首先我们想这是一个方法，这样可以对输入参数进行转换，假设这个方法名为：vectorize_sequence()
在调用时我们主要是对输入参数进行转换，因此其调用方式为：

x_train = vectorize_sequence(x_train)
x_test = vectorize_sequence(x_test)

这样我们来实现一下这个方法：

import numpy as np
def vectorize_sequence(data, words_size = 10000):
    words_vector = np.zeros((len(data), words_size))
    for row, word_index in enumerate(data):
        words_vector[row, word_index] = 1.0
    return words_vector

相对功能也是比较简单的，基本上就是首先初始化一个零矩阵：[输入参数的行, 词向量个数]
然后根据输入参数中对应的词索引所在位置置上值1就可以了。

构建模型

#构建模型
model = keras.models.Sequential()
model.add(keras.layers.Dense(16, activation=keras.activations.relu, input_shape=(10000, )))
model.add(keras.layers.Dense(16, activation=keras.activations.relu))
model.add(keras.layers.Dense(1, activation=keras.activations.sigmoid))

#编译模型
model.compile(optimizer=keras.optimizers.RMSprop(), loss=keras.losses.binary_crossentropy, metrics=[keras.metrics.binary_accuracy])
#训练模型
model.fit(x_train, y_train, epochs=20)

上面的代码比较简单直接。
只有几个地方需要说明一下的。
首先，keras中命名方式比较一致，比如这里的keras.models来选择模型，keras.layers来选择层，keras.activations来选择激活函数，keras.optimizers用来选择优化器，keras.losses选择损失函数等等，也就是用某个带复数s的单词来选择对应的功能。
有些文章中直接用字符串来设置这些参数，例如：activation="relu",optimizer="rmsprop",loss="binary_crossentropy"等。
而由于我是通过IDEA来编写代码的，因此用代码的方式比较容易，因为编辑器会进行自动提示，也不需要记忆这些单词了。

在这里激活函数用于把线性函数转换成非线性函数。
这里的线性函数是指在神经网络中，其全连接的网络结构就是一个线性方程y=aX+b这样的一个形式。类似我们的人脑，我们人脑大概有6层，当我们接收到信息的刺激后，大脑皮层中的某些神经元会活跃起来，如果某些活跃强度不够的话，这些信号就不会传输到下一层的皮层中。因此这里的激活可以看成深度学习中的激活函数，我们这里使用了relu函数，其图像为

有点类似我们大脑中某神经元对于某信号的刺激太小的话，就一直处于睡眠状态，而如果此输入的信号激起了此神经元，则刺激的强度就跟输入信息的强度成正比。
更多的简单介绍激活函数可以参考tensorflow激励函数

还有一个地方需要注意的是在模型的最后一层我们使用keras.layers.Dense(1, activation=keras.activations.sigmoid)，由于我们最终的输出是一维数据，因此设置了一维输出结果，这里由于是二分类问题，因此最后一层的激活函数要用sigmoid，损失函数用binary_crossentropy（二元交叉熵）。
一般对于分类问题，最后一层的激活函数用softmax，损失函数用交叉熵
对于回归问题，最后一层激活函数用非sigmoid，损失函数用mean_squared_error（均方误差）。

这里稍微做个对比：

在测试集上进行测试

results = model.evaluate(x_test, y_test)
print(results)

输出为：

[1.221505075365305, 0.84568]

表示精确度为84.568%

预测

训练好网络之后，你希望将其用于实践。你可以用 predict 方法来得到评论为正面的可能性大小。

results = model.predict(x_test)
print(results)

输出为：

[[1.3547829e-01]
 [1.0000000e+00]
 [9.9999928e-01]
 ...
 [1.2173951e-03]
 [1.7526746e-04]
 [8.9666247e-04]]

这里的数值表示为如果接近1表示是好评，如果接近0表示是差评。

完整代码如下：

import tensorflow.keras as keras
(x_train, y_train), (x_test, y_test) = keras.datasets.imdb.load_data(num_words=10000)
# print("x_train:", x_train, "y_train:", y_train)

# data = keras.datasets.imdb.get_word_index()
# word_map = dict([(value, key) for (key,value) in data.items()])
# words = []
# for word_index in x_train[0]:
#     words.append(word_map[word_index])
# print(" ".join(words))

import numpy as np
def vectorize_sequence(data, words_size = 10000):
    words_vector = np.zeros((len(data), words_size))
    for row, word_index in enumerate(data):
        words_vector[row, word_index] = 1.0
    return words_vector

x_train = vectorize_sequence(x_train)
x_test = vectorize_sequence(x_test)

#构建模型
model = keras.models.Sequential()
model.add(keras.layers.Dense(16, activation=keras.activations.relu, input_shape=(10000, )))
model.add(keras.layers.Dense(16, activation=keras.activations.relu))
model.add(keras.layers.Dense(1, activation=keras.activations.sigmoid))

#编译模型
model.compile(optimizer=keras.optimizers.RMSprop(), loss=keras.losses.binary_crossentropy, metrics=[keras.metrics.binary_accuracy])
#训练模型
model.fit(x_train, y_train, epochs=20)

# 测试
results = model.evaluate(x_test, y_test)
print(results)

# 预测
results = model.predict(x_test)
print(results)