学习机器学习——练习训练模型（1）（服装分类）

分类模型：服装分类（对服装图像进行分类，训练一个神经网络模型，对运动鞋和衬衫等服装图像进行分类。）
使用Tnsorflow.keras，它是Tnsorflow中用来构建和训练模型的高级API
学习网址来自：https://tensorflow.google.cn/tutorials/keras/classification

（一）Colaboratory的基础使用

1.挂载云端硬盘

代码

from google.colab import drive
drive.mount('/content/drive')

运行代码会出现一个链接，点击链接进行验证显示下图即成功。
结果展示

（二）训练模型

1.导入数据集

代码1

#1-1 打印Tensorflow版本
import tensorflow as tf
from tensorflow import keras

import numpy as np
import matplotlib.pyplot as plt

class_names=['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
print(tf.__version__)

结果展示1

代码2

#1.导入数据集
fashion_mnist = keras.datasets.fashion_mnist
(train_images,train_labels),(test_images,test_labels) = fashion_mnist.load_data()

结果展示2

2.预处理数据

代码

#2 预处理数据（像素值，如上图所示可以看到像素值处于0到255之间）
train_images = train_images/255.0
test_images = test_images/255.0

#2-1 显示训练集中的前25个图像
plt.figure(figsize=(10,10))
for i in range(25):
  plt.subplot(5,5,i+1)  #（行，列，序列值）
  plt.xticks([])  #设置坐标轴
  plt.yticks([])
  plt.grid(False)  #设置不显示网格线
  plt.imshow(train_images[i],cmap=plt.cm.binary)
  plt.xlabel(class_names[train_labels[i]])
plt.show()

结果展示

3.设置模型每层的内容

代码

#3.设置模型内容（层）
model = keras.Sequential([
  keras.layers.Flatten(input_shape=(28,28)),
  keras.layers.Dense(128,activation='relu'),
  keras.layers.Dense(10),
  keras.layers.Softmax()  #把原网址后面添加的softmax层提前添加在了模型里
])

说明：

• 第一层需要输入数据的模型大小
• 第二层设置128个神经元
• 第三层输出10个类别的值，即图像分别属于这10个类别的概率大小
• softmax层是对神经网络的输出结果进行了一次换算，将输出结果用概率的形式表现出来

4.设置模型的损失函数、优化器、指标

代码

#4.设置模型损失函数、优化器、指标
model.compile(optimizer='adam',
       loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
       metrics=['accuracy'])

5.训练数据

代码

#5.训练模型
#调用model.fit方法，该方法将模型和数据进行“拟合”
model.fit(train_images,train_labels,epochs=10)

结果展示

6.测试数据

代码

#6-1评估准确率
test_loss,test_acc = model.evaluate(test_images,test_labels,verbose=2)
print('\nTest accuracy:',test_acc)

说明
从下图结果展示“过拟合”现象，过拟合就是测试数据集得到的准确率比训练数据集得到的准确率低。
结果展示

7.用图表展示测试结果

代码

#plus2:通过将图片的类别概率绘制成图表，看看模型对于全部10个类的预测

#绘制图片
def plot_image(i, predictions_array, true_label, img):
  predictions_array, true_label, img = predictions_array, true_label[i], img[i]
  plt.grid(False)  #不绘制网格
  plt.xticks([])  #设置x坐标轴为空
  plt.yticks([])  #设置y坐标轴为空

  plt.imshow(img, cmap=plt.cm.binary) #展示图片

  predicted_label = np.argmax(predictions_array)
  if predicted_label == true_label:
    color = 'blue'
  else:
    color = 'red'

  #三个值：预测类别名称、概率值、真实类别名称
  plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                100*np.max(predictions_array),
                                class_names[true_label]),
                                color=color)

#绘制图片类别概率的展示图
def plot_value_array(i, predictions_array, true_label):
  predictions_array, true_label = predictions_array, true_label[i]
  plt.grid(False)  #设置没有网格线
  plt.xticks(range(10))  #设置x坐标轴值为0-9
  plt.yticks([])  #设置y坐标轴值为空
  thisplot = plt.bar(range(10), predictions_array, color="#777777") #plt.bar(x,height,width,color)
  plt.ylim([0, 1])  #设置y轴坐标值范围
  predicted_label = np.argmax(predictions_array)

  thisplot[predicted_label].set_color('red') #设置预测标签为红色
  thisplot[true_label].set_color('blue')  #设置真实标签值为蓝色

num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols,2*num_rows))
for i in range(num_images):
  plt.subplot(num_rows,num_cols*2,2*i+1)
  plot_image(i,predictions[i],test_labels,test_images)
  plt.subplot(num_rows,num_cols*2,2*i+2)
  plot_value_array(i,predictions[i],test_labels)
plt.tight_layout()
plt.show()

结果展示