CNN卷积神经网络模型预测Fashion数据Tensorflow代码

---

前言

CNN卷积神经网络，Fashion是数据集，Tensorflow代码

---

一、CNN是什么

前一篇深度学习中已经介绍了，这里就不再多介绍了。

二、代码

1.引入库

代码如下（示例）：

import datetime
import tensorflow as tf
from sklearn.metrics import precision_score
import matplotlib.pyplot as plt
import numpy as np

2.读入数据

代码如下（示例）：

fashion = tf.keras.datasets.fashion_mnist
(X_train,Y_train),(X_test,Y_test) = fashion.load_data()

该处数据是用自带的数据集

---

2.1数据预处理

将图片数据。转换为向量格式。n（图片数量）,h,w,rgb(颜色通道数)黑白就是1，这里n = -1，可以自动计算图片的数量，或则n = x_train.shape()相同的效果

# 数据预处理
# 最开始的-1，是会自动计算样本个数
X_train = X_train.reshape([-1,28,28,1]) / 255.0
X_test = X_test.reshape([-1,28,28,1]) / 255.0

2.2查看数据

# 查看数据
plt.figure(figsize = (6,6))
for i in range(9):
    plt.subplot(3,3,i+1)
    plt.grid(False)# 去除网格线
    # cmap设置图片格式，gray是图像灰色
    plt.imshow(X_train[i],cmap='gray')
plt.show()

3模型搭建

上一篇手写数字数据集，已经简单讲解了模型结构。这里不同的点是tf.keras.layers.Dropout(0.1)
Dropout的作用是，随机让每层0.1比例的神经元不进行操作，避免神经元太多，网络太深而速度很慢。

# 模型搭建
model = tf.keras.models.Sequential([
    
    tf.keras.layers.Conv2D(filters = 32,kernel_size = (5,5),
         activation = tf.nn.relu ,input_shape=(28,28,1)),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Dropout(0.1),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(units = 128,activation = tf.nn.relu),
    tf.keras.layers.Dense(units = 10,activation = 'softmax')
    
])
model.summary()

模型结构

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d_4 (Conv2D)           (None, 24, 24, 32)        832       
                                                                 
 max_pooling2d_4 (MaxPooling  (None, 12, 12, 32)       0         
 2D)                                                             
                                                                 
 dropout_4 (Dropout)         (None, 12, 12, 32)        0         
                                                                 
 flatten_2 (Flatten)         (None, 4608)              0         
                                                                 
 dense (Dense)               (None, 128)               589952    
                                                                 
 dense_1 (Dense)             (None, 10)                1290      
                                                                 
=================================================================
Total params: 592,074
Trainable params: 592,074
Non-trainable params: 0

3设置学习率和优化器

# 优化器
learning_rate = 0.001  #学习率
adam_optimizer = tf.keras.optimizers.Adam(learning_rate)
# 编译模型
model.compile(optimizer=adam_optimizer,
                loss=tf.keras.losses.sparse_categorical_crossentropy,
                    metrics=['accuracy'])

4训练模型

# 模型开始训练时间
start_time = datetime.datetime.now()

# 训练模型
num_epochs = 20  # 训练次数
batch_size = 128  # 批大小

model.fit(x=X_train, y=Y_train, batch_size=batch_size, epochs=num_epochs)

# 模型结束训练，记录训练时间
end_time = datetime.datetime.now()
time_cost = end_time - start_time

4.1准确率查看

查看训练结构

import random
Fashion_dict = {0:'T恤',1:'裤子',2:'套衫',3:'裙子',4:'外套',5:'凉鞋',
                6:'汗衫',7:'运动鞋',8:'包',9:'踝靴'}
# 进行预测
image_index = random.randint(1,100)  # 选一张图片
pred = model.predict(X_test[image_index].reshape(1,28,28,1))
print(Fashion_dict[pred.argmax()])  # 打印出预测值
plt.figure(figsize = (1.5,1.5))
#plt.figure(figsize = (6,6))
plt.imshow(X_test[image_index].reshape(28,28), cmap='Greys')
plt.show()

测试集准确率

scores = model.evaluate(X_test, Y_test, verbose=0)
print("使用CNN网络的正确率为:" ,'%.2f' %(scores[1]*100) , "%")

使用CNN网络的正确率为: 91.55 %

总结

以上就是CNN卷积神经网络模型预测Fashion数据集的代码。谢谢大家。