CNN神经网络图像分类---全流程

    Hello，又是一个分享的日子，上期博主介绍了CNN神经网络文本分类----招聘信息分类，并介绍了文本在进入神经网络前的预处理工作。今天博主给大家分享的是用CNN神经网络对图像数据的分类，不可避免的，这也同样需要对图像数据进行预处理。

    当然啦，博主也在往期的推文中也介绍了CNN卷积神经网络的原理，还不熟悉CNN卷积神经网络原理的小伙伴可以翻一下什么？卷积层会变胖？人工智能之光---CNN卷积神经网络（原理篇），这里博主就不进行过多的赘述了。

    

图像预处理

数据集                                                                                         

    这一期，我们是基于fashion MNIST数据的图像分类去做实验。在2017年8月份，德国研究机构Zalando Research在GitHub上推出了一个全新的数据集，其中训练集包含60000个样例，测试集包含10000个样例，分为10类，每一类的样本训练样本数量和测试样本数量相同。样本都来自日常穿着的衣裤鞋包，每个都是28×28的灰度图像，其中总共有10类标签，每张图像都有各自的标签。

    使用这个数据集的目的是为了让大家了解整个图像分类的处理流程，即如何将图像数据转成计算机能够读懂的格式，并灌入神经网络模型中训练，最后得到我们想要的分类结果。

    那为什么不用Keras自带的数据集呢？那是因为如果我们单纯用Keras自带的数据集如Cifar-10，这些数据集都是已经被处理好的了，我们直接调用即可，这样大家的知识体系就少了预处理的过程，而且对于后面的迁移学习做图像分类，我们同样也是用fashion MNIST这个数据集，确保大家都对整体的图像分类流程有个明确的思路。

    图像预处理相对文本预处理要简单一些，只需要用Python将数据读入，然后将其转换成同样大小的矩阵格式即可，然后对矩阵进行归一化，这样就可以被神经网络所读入。这些操作均在后面代码中体现。

<