tensorflow2.2基本服装图像fashion_mnist分类
采用FashionMNIST 数据集
首先查看TensorFlow版本，代码：
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)
结果：
2.2.0
导入Fashion MNIST 数据集
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
此数据集是28 x 28Numpy数组，通道数为1，黑白图片，像素范围是0到255。标签是整数数组，范围是0到9
每个图像都映射到一个标签。由于类名不包含在数据集中，因此将它们存储在此处以供以后在绘制图像时使用：
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
我们可以看看数据集的格式。
train_images.shape
(60000, 28, 28)
训练数据集有60000张图片，每张像素为28 x 28。
同样训练集为：
train_labels.shape
(60000,)
测试集的shape为：
test_labels.shape
(10000,)
先查看一下训练集中的一张图像看看：
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()
对这些值做归一化处理，把值放缩到0-1之间
train_images = train_images / 255.0
test_images = test_images / 255.0
查看训练集中前25张图像，并显示名称：
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i]])
plt.show()
建立神经网络模型
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(256, activation='relu'),
keras.layers.Dropout(0.2),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dropout(0.2),
keras.layers.Dense(10)
])
第一层将图像从二维数组（28,28）转换为一维数组（784，）像素平展处理。
后面两层是128个节点，10个节点。
2021年5月19日更新，使用卷积神经网络模型
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0
train_images = tf.reshape(train_images, [-1, 28, 28, 1])
test_images = tf.reshape(test_images, [-1, 28, 28, 1])
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
# model = keras.Sequential([
# keras.layers.Flatten(input_shape=(28, 28)),
# keras.layers.Dense(128, activation='relu'),
# keras.layers.Dense(10)
# ])
model = keras.Sequential([
keras.layers.Conv2D(32, kernel_size=[3, 3], padding="same", activation='relu', input_shape=(28, 28, 1)),
keras.layers.MaxPooling2D(2, 2),
keras.layers.Dropout(0.5),
keras.layers.Conv2D(64, kernel_size=[3, 3], padding="same", activation='relu'),
keras.layers.MaxPooling2D(2, 2),
keras.layers.Dropout(0.5),
keras.layers.Conv2D(64, kernel_size=[3, 3], padding="same", activation='relu'),
keras.layers.Flatten(),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(10)
])
model.summary()
model.compile(
optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy']
)
'''
fit 中的 verbose
verbose：日志显示
verbose = 0 为不在标准输出流输出日志信息
verbose = 1 为输出进度条记录
verbose = 2 为每个epoch输出一行记录
注意： 默认为 1
'''
model.fit(train_images, train_labels, epochs=10)
'''
evaluate 中的 verbose
verbose：日志显示
verbose = 0 为不在标准输出流输出日志信息
verbose = 1 为输出进度条记录
注意： 只能取 0 和 1；默认为 1
'''
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)
结果：
Epoch 10/10
1875/1875 [==============================] - 7s 3ms/step - loss: 0.2989 - accuracy: 0.8901
313/313 - 1s - loss: 0.2491 - accuracy: 0.9091
Test accuracy: 0.9090999960899353
编译模型
模型搭建完成后，需要编译，设置一些参数：
损失函数 ：衡量训练期间模型的准确性。您希望最小化此功能，以在正确的方向上“引导”模型。
优化器 ：这是基于模型看到的数据及其损失函数来更新模型的方式。
指标 ：用于监视培训和测试步骤。以下示例使用precision，即正确分类的图像比例。
'''
如果你的 targets 是 one-hot 编码，用 categorical_crossentropy
one-hot 编码：[0, 0, 1], [1, 0, 0], [0, 1, 0]
如果你的 tagets 是 数字编码 ，用 sparse_categorical_crossentropy
数字编码：2, 0, 1
'''
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
训练模型
训练神经网络模型需要执行以下步骤：
1、将训练数据输入模型；
2、模型学习图像和相对应的标签；
3、模型对测试集进行预测；
4、验证模型。
给数据
model.fit(train_images, train_labels, epochs=15)
Epoch 14/15
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2662 - accuracy: 0.9001
Epoch 15/15
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2605 - accuracy: 0.9024
训练时精度为0.9024
评估性能
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('Test loss:', test_loss)
print('Test accuracy:', test_acc)
313/313 - 0s - loss: 0.3257 - accuracy: 0.8866
Test loss: 0.3256571888923645
Test accuracy: 0.8866000175476074
事实证明，测试数据集的准确性略低于训练数据集的准确性。
过度拟合的模型“记忆”训练数据集中的噪声和细节，从而对新数据的模型性能产生负面影响。
验证预测
以图像方式查看完整的10个类预测
probability_model = tf.keras.Sequential([model,
tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)
def plot_image(i, predictions_array, true_label, img):
true_label, img = true_label[i], img[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
plt.imshow(img, cmap=plt.cm.binary)
predicted_label = np.argmax(predictions_array)
if predicted_label == true_label:
color = 'blue'
else:
color = 'red'
plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
100*np.max(predictions_array),
class_names[true_label]),
color=color)
def plot_value_array(i, predictions_array, true_label):
true_label = true_label[i]
plt.grid(False)
plt.xticks(range(10))
plt.yticks([])
thisplot = plt.bar(range(10), predictions_array, color="#777777")
plt.ylim([0, 1])
predicted_label = np.argmax(predictions_array)
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')
通过训练模型，可以使用它来预测某些图像。
正确的预测标签为蓝色，错误的预测标签为红色。
i = 1
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions[i], test_labels)
plt.show()
i = 12
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions[i], test_labels)
plt.show()
它预测的是55%是运动鞋，45%是凉鞋，所以模型不是100%有效，毕竟我们人眼对这一张图片也分辨的不好。