(P4)使用keras进行多分类问题

今天使用keras中的fashionminst数据集进行的，是一个关于识别服饰的多分类问题，新知识有

知识点
导入数据集	tf.keras.datasets.fashion_mnist.load_data()
看图片	plt.imshow(train_image[1]) & plt.show()
看数据集尺寸	print(train_image.shape)
归一化处理	当像素点值在0-255可以归一化为0-1
当输入是矩阵怎么办	model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
多分类问题	tf.keras.layers.Dense(10, activation=‘softmax’) & 最后一层要注意
损失函数	loss=‘sparse_categorical_crossentropy’ & label是数字列表
独热编码(one-hot)	loss=‘categorical_crossentropy’
测试集测试	model.evaluate(test_image, test_label)

完整代码

import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

(train_image, train_label), (test_image, test_label) = tf.keras.datasets.fashion_mnist.load_data()
# print(train_image.shape) # (60000, 28, 28)用shape函数输出训练集size，6000张图片每一个28*28
# plt.imshow(train_image[1])
# plt.show()
# print(train_image[1])
# print(train_label[1]) # 0

#进行归一化处理
train_image = train_image/255
test_image = test_image/255

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['acc']
              )

model.fit(train_image, train_label, epochs=5)
model.evaluate(test_image, test_label) # 用测试集进行测试

各部分详细讲解

import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

和往常一样，先导入需要用到的库

(train_image, train_label), (test_image, test_label) = tf.keras.datasets.fashion_mnist.load_data()
# print(train_image.shape) # (60000, 28, 28)用shape函数输出训练集size，6000张图片每一个28*28

获得我们需要的数据集，并且用shape函数看一看训练集的size

plt.imshow(train_image[1])
plt.show()

用plt.imshow()看一看训练集的第2个图片，是一件T-shirt

print(train_image[1])
# np.max(train_image[1]) # 这个可以看矩阵中的最大值是255

只截取了一部分，可以看到是28*28的矩阵，每一个像素有一个值代表颜色（取值在0-255）

print(train_label[1]) # 0

训练集中第2个数据的label是0，代表的是T-shirt

建立模型

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))

因为输入的是一个28*28的矩阵，所以不能用Dense，我们用Flatten将矩阵扁平成一个向量

model.add(tf.keras.layers.Dense(128, activation='relu'))

第二层设定为128个神经元，因为考虑到特征比较多，activation选用relu

model.add(tf.keras.layers.Dense(10, activation='softmax'))

输出的时候，因为是多分类过程（具体来说是10分类），所以输出10个，activation用softmax

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['acc']
              )

损失函数loss选择sparse_categorical_crossentropy，是因为多分类问题的lebal是像[0,1,2,3,4]这种数字的情况
同时在训练时将准确度显示出来

model.fit(train_image, train_label, epochs=5)

用60000张图片的训练集进行训练，训练5次
训练结束后准确度为89%`

model.evaluate(test_image, train_label)

用测试集去测试model的性能

可以看到model在测试集上的准确度是86%