Tensorflow2.0 softmax多分类问题

现实生活中，二分类的问题毕竟还是少数，多分类的问题才是我们大部分时间会遇到的问题，下面我就以fashion_mnist为数据集，来看看多分类的问题。

import tensorflow as tf
from tensorflow import keras

#先下载数据集
(train_image , train_label),(test_image , test_label) = tf.keras.datasets.fashion_mnist.load_data()

#查看一下数据集的分类状况
print(train_label)

这里就可以看出来这是一个十分类的问题，所以我们接下来建立我们的model

#首先先将数据集归一化
train_image = train_image/255
test_image = test_image/255
#创建model
model = tf.keras.Sequential()
#添加隐含层
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'))

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

#训练model
model.fit(train_image , train_label,epochs = 5)
#进行model的预测
model.predict(test_image , test_label)

首先说明一下归一化的必要性，归一化可以使得隐藏层的输入数据分布大抵相同，可以更好的进行拟合，加速model的调参。
因为这边的数据集都是RGB的图像，范围都是[0,255]，所以让他们都除以255，就可以完成归一化的操作。
接着可以看到，在隐藏层里面，我是先增加了一个Flatten层，他的作用是把2828的一个二维的像素点，压缩为一个2828的一维向量，把这个数据输送给全连接层（全连接层只能处理一维数据）。
在进行深度学习的时候，model的损失函数是一个重要的参数，一般来说，在进项回归问题和分类问题上，使用的损失函数是不一样的。一般来说，回归问题上，损失函数都是mse，而二分类的问题上，一般我们都选取binary_crossentropy的交叉熵损失函数，在softmax问题上，一般会有sparse_categorical_crossentropy和categorical_crossentropy来计算交叉熵，如果是一般的数据是顺序编码的时候，我们会使用sparse_categorical_crossentropy，如果是one-hot编码的时候，我们会使用categorical_crossentropy来计算softmax的交叉熵。

这是训练的正确率，大约可以到89%

最后测试的数据集，正确率也差不多可以到达9成左右，如果训练的epochs更多的话，这个正确率还是可以提高的。