【tensorflow2.0】softmax多分类代码实现

fashion mnist数据集是成为经典mnist数据集的简易替换。mnist数据集包含手写数字（0，1，2等）的图像，这些图像的格式与fashion mnist数据集中使用的服饰图像的格式相同。相对而言，这两个数据集比较简单，适合初学者。

Fashion MNIST数据集包含70000张灰度图像，涵盖裙子、衬衫、裤子、鞋、包等10个类别。
本示例将使用60000张图像训练网络，并使用10000张图像测试学习的网络分类图像的准确率。可以从tensorflow直接访问该数据集，只需要导入和加载数据即可。

（1）
加载数据

import tensorflow as tf
print('Tensorflow Version: {}'.format(tf.__version__))

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

(train_image, train_lable), (test_image, test_label) = tf.keras.datasets.fashion_mnist.load_data()

若第一次使用此数据集，要从国外网站下载，会很慢；也可以直接下载数据集放到c盘的用户-86188-.keras-datasets文件夹中。

train_image.shape

看train_image的形状，输出结果为(60000, 28, 28)，即60000张28×28的图片。

看一下train_image的第一张图片：

plt.imshow(train_image[0])

是一张鞋子，train_image内各个点的取值范围均为0-255。
看一下这些点里面的最大值：

np.max(train_image)

本示例输出结果为255.
train_lable代表种类，从0-9有十种分类。

（2）
数据处理：
神经网络比较喜欢固定的输入值，比如在输入前，将数据归一化为0到1之间的数。
对于图像数据而言，归一化的方法就是将此数据除以255:

train_image = train_image / 255
test_image = test_image / 255

这样，train_image 和test_image的取值范围都变成了[0,1]。
再看一看train_image 的形状，因为下面会用到：

train_image.shape

输出结果为(60000, 28, 28)

（3）
建立模型，进行分类：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape(28,28)))#将图像扁平为28×28的向量
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))#输出10个概率

Dense是把一个一维（张量为1）的数据映射到另一个一维的数据上。
对于二维的数据，需要进行Flatten，将其扁平为一维的。

（4）
编译模型：

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy'
              metrics=['acc']
)

（5）
训练模型：

model.fit(train_image, train_lable, epochs=5)

(6)
评价模型:

model.evaluate(test_image, test_lable)

（7）
转换为独热编码onehot：
仍采用之前的数据集

train_lable_onehot = tf.keras.utils.to_categorical(train_lable)

（8）
预测：

predict = model.predict(test_image)
predict.shape

会输出（10000，10），即10000个长度为10的数据。因为test_image的形状是（10000，28，28），对这10000个图像，每个图像都给出长度为10的向量，代表其分类结果。

predict[0]

会输出一个10维向量。

np.argmax(predict[0])

取出其中的最大的值所在的索引，本案例结果为9.

（9）dropout：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))  # 28*28
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

Drpout()有一个参数rate，应是0到1之间的值，代表需要丢弃掉多少数值。Dropout(0.5)代表激活50%，丢弃50%的数据。