keras+tensorflow搭建神经网络实现服装分类

构建神经网络进行时装模型训练与预测

class SinleNN(object):

# 建立神经网络模型
model = keras.Sequential([
    # 将输入数据的形状进行修改为扁平化
    keras.layers.Flatten(input_shape=[28, 28]),
    # 定义隐藏层，128个神经元的网络层
    keras.layers.Dense(128, activation=tf.nn.relu),
    # 10个类别的分类问题，输出神经元的个数和输出类别个数相同
    keras.layers.Dense(10, activation=tf.nn.softmax)
])

def __init__(self):
    # 返回两个元组 (50000, 784) (50000, 1)
    (self.x_train, self.y_train), (self.x_test, self.y_test) = fashion_mnist.load_data()

    # 进行数据的归一化操作  必须进行归一化，不然无法拟合
    self.x_train = self.x_train / 255.0
    self.x_test = self.x_test / 255.0

def singlenn_compile(self):
    """
        编译模型优化器  使用的损失是交叉熵损失
        sparse_categorical_crossentropy 自动进行one-hot编码后求交叉熵
    :return:
    """
    SinleNN.model.compile(optimizer=keras.optimizers.Adam(), loss=keras.losses.sparse_categorical_crossentropy, metrics=['accuracy'])

    return None

def sinlenn_fit(self):
    """
        进行fit训练  tensorboard 和 保存模型都在callback中
    :return:
    """
    # fit当中添加回调函数，记录训练模型过程
    # modelcheck = keras.callbacks.ModelCheckpoint(
    #     filepath="./ckpt/singlenn_{epoch:02d}-{val_acc:.2f}.h5",
    #     monitor="val_acc",  # 指定保存损失还是准确率
    #     save_best_only=True,  # 指定保存的这一次比上一次好
    #     save_weights_only=True,  # 保存模型参数
    #     mode="auto",
    #     period=1  # 每次迭代保存一次
    # )

    # 调用tensorboard回调函数
    board = keras.callbacks.TensorBoard(
        log_dir="./graph/",
        write_graph=True,
    )

    # 训练样本的特征值和目标值 epochs迭代的次数   batch_size 一次所选的个数
    SinleNN.model.fit(self.x_train, self.y_train, epochs=5, batch_size=64, callbacks=[board])

    return None

def single_evaluate(self):
    # 评估模型测试效果
    test_loss, test_acc = SinleNN.model.evaluate(self.x_test, self.y_test)
    print(test_loss, test_acc)
    return None

def single_predict(self):
    """
        加载模型 预测结果
    :return:
    """
    # 首先加载模型
    if os.path.exists("./ckpt/*.h5"):
        SinleNN.model.load_weights("./ckpt/SingleNN.h5")

    predictions = SinleNN.model.predict(self.x_test)

    return predictions

if name == ‘main’:
snn = SinleNN()
snn.singlenn_compile()
snn.sinlenn_fit()
snn.single_evaluate()

# 保存模型 使用ckpt进行保存 只需目录加名字
# SinleNN.model.save_weights("./ckpt/SingleNN.h5")
# 进行模型预测
# predictions = snn.single_predict()
# 对第二个维度 取最大值
# print(np.argmax(predictions, axis=1))

# 保存成h5模型，读取和加载速度比较快，一个文件就够