©2020-2024 ioDraw All rights reserved,
Privacy Policy
<>深度学习-服装种类识别实例
<>大体说明
这是一个技术tensorflow的技术文档，这个指南将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。指南使用了tf.keras，它是
TensorFlow 中用来构建和训练模型的高级 API。
<>引入所需要的工具模块
#首先我们需哟引入我们需要的工具模块 import tensorflow as tf from tensorflow import keras #
引入数据分析工具和画图工具import numpy as np import matplotlib.pyplot as plt
<>引入数据集
首先我们理清楚，我们训练一个模型往往需要两个很重要的部分，就是训练集和测试集，这里我们引入官方的提供的数据集合。
加载数据集会返回四个 NumPy 数组：
train_images 和 train_labels 数组是训练集，即模型用于学习的数据。test_images 和 test_labels
数组会被用来对模型进行测试。
fashion_mnist = keras.datasets.fashion_mnist (train_images, train_labels), (
test_images, test_labels) = fashion_mnist.load_data()
在没有的下载的情况下，运行程序会自动下载的图片，我们接下来会使用这些图片来进行训练。
我们可以看下这个数据包含了什么内容
由于数据集不包括类名称，请将它们存储在下方，供稍后绘制图像时使用：
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal',
'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
<>浏览数据
这里我就不给出代码了，这个过程是为了让我们能够更好的理解理解数据。
<>数据预处理
在训练网络之前，必须对数据进行预处理。如果检查训练集中的第个六图像，会看到像素值处于 0 到 255 之间：
plt.figure() plt.imshow(train_images[5]) plt.colorbar() plt.grid(False) plt.
show()
将这些值缩小至 0 到 1 之间，然后将其馈送到神经网络模型。为此，请将这些值除以 255。接下里以相同的方式对训练集和测试集进行预处理：
train_images = train_images / 255.0 test_images = test_images / 255.0
那接下来我们看看下前25图像是怎么样子的
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()
<>构建模型
首先我们就要选择要使用的模型，再去编译模型
设置层
神经网络的基本组成部分是层。层会从向其馈送的数据中提取表示形式。大多数深度学习都包括将简单的层链接在一起。大多数层（如
tf.keras.layers.Dense）都具有在训练期间才会学习的参数。
model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.
layers.Dense(128, activation='relu'), keras.layers.Dense(10) ])
该网络的第一层 tf.keras.layers.Flatten 将图像格式从二维数组（28 x 28 像素）转换成一维数组（28 x 28 = 784
像素）。将该层视为图像中未堆叠的像素行并将其排列起来。该层没有要学习的参数，它只会重新格式化数据。
展平像素后，网络会包括两个 tf.keras.layers.Dense 层的序列。它们是密集连接或全连接神经层。第一个 Dense 层有 128
个节点（或神经元）。第二个（也是最后一个）层会返回一个长度为 10 的 logits 数组。每个节点都包含一个得分，用来表示当前图像属于 10 个类中的哪一类。
<>编译模型
在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：
损失函数 - 用于测量模型在训练期间的准确率。您会希望最小化此函数，以便将模型“引导”到正确的方向上。
优化器 - 决定模型如何根据其看到的数据和自身的损失函数进行更新。
指标 - 用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。
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：
将训练数据馈送给模型。在本例中，训练数据位于 train_images 和 train_labels 数组中。
模型学习将图像和标签关联起来。
要求模型对测试集（在本例中为 test_images 数组）进行预测。
验证预测是否与 test_labels 数组中的标签相匹配。
model.fit(train_images, train_labels, epochs=10)
<>评估准确率
接下来，比较模型在测试数据集上的表现：
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print
('\nTest accuracy:', test_acc)
我的准确度尚可，88%
<>应用
让我们用模型的预测绘制几张图像。
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, 2*
num_cols, 2*i+1) plot_image(i, predictions[i], test_labels, test_images) plt.
subplot(num_rows, 2*num_cols, 2*i+2) plot_value_array(i, predictions[i],
test_labels) plt.tight_layout() plt.show()
我们来看下对这些图片的预测效果怎么样？
这里有比较贴合的，也有失败的