tf2.x基本服装图像分类

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。

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。