TensorFlow2.x的Keras对Fashion MNIST数据集的基本图像分类（完整过程）

目录

1. 导入Fashion MNIST数据集
2. 探索数据
3. 预处理数据
4. 建立模型
5. 训练模型
6. 使用训练好的模型

导入需要的包

import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt

print(tf.__version__)

导入Fashion MNIST数据集

在这里，使用60,000张图像来训练网络，使用10,000张图像来评估网络学习对图像进行分类的准确度。您可以直接从TensorFlow访问Fashion MNIST。从TensorFlow导入和加载Fashion MNIST数据：

fashion_mnist = keras.datasets.fashion_mnist
(train_images,train_labels),(test_images,test_labels) = fashion_mnist.load_data()

加载数据集将返回四个NumPy数组：

• 在train_images和train_labels阵列的训练集 -The数据模型用来学习。
• 针对测试集，和test_images，对模型进行了测试test_labels。

图像是28x28 NumPy数组，像素值范围是0到255。标签是整数数组，范围是0到9。这些对应于图像表示的衣服类别：

# 设置类别标签
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

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一张图像，你将看到像素值落在0到255之间：

plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()

运行结果：

将这些值缩放到0到1的范围，然后再将其输入神经网络模型。为此，将值除以255。并且以相同的方式预处理训练集和测试集

train_images = train_images / 255.0
test_images = test_images / 255.0

为了验证数据的格式正确，并准备好构建和训练网络，让我们显示训练集中的前25张图像，并在每个图像下方显示种类名称。

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()

运行结果：

建立模型

设置图层

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）转换为一维数组（28 * 28 = 784像素）。可以将这一层看作是堆叠图像中的像素行并将它们排成一行。该层没有学习参数。它只会重新格式化数据。

像素展平后，网络由tf.keras.layers.Dense两层序列组成。这些是紧密连接或完全连接的神经层。第一Dense层有128个节点（或神经元）。第二层（也是最后一层）返回长度为10的logits数组。每个节点包含一个概率，该概率指示当前图像属于10个类之一。

在准备训练模型之前，需要进行一些其他设置。这些是在模型的编译步骤中添加的：

• 损失函数 -衡量训练过程中模型的准确性。
• 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。

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：

• 喂数据
• 评估准确性
• 做出预测
• 验证预测
• 使用训练好的模型

喂数据

model.fit(train_images,train_labels,epochs=10)

训练过程：

Train on 60000 samples
Epoch 1/10
60000/60000 [==============================] - 6s 106us/sample - loss: 0.4955 - accuracy: 0.8250
Epoch 2/10
60000/60000 [==============================] - 6s 100us/sample - loss: 0.3727 - accuracy: 0.8659
Epoch 3/10
60000/60000 [==============================] - 6s 104us/sample - loss: 0.3357 - accuracy: 0.8782
Epoch 4/10
60000/60000 [==============================] - 5s 91us/sample - loss: 0.3105 - accuracy: 0.8857
Epoch 5/10
60000/60000 [==============================] - 6s 93us/sample - loss: 0.2939 - accuracy: 0.8927
Epoch 6/10
60000/60000 [==============================] - 6s 95us/sample - loss: 0.2783 - accuracy: 0.8972
Epoch 7/10
60000/60000 [==============================] - 6s 94us/sample - loss: 0.2669 - accuracy: 0.9015
Epoch 8/10
60000/60000 [==============================] - 6s 92us/sample - loss: 0.2539 - accuracy: 0.9054
Epoch 9/10
60000/60000 [==============================] - 6s 94us/sample - loss: 0.2464 - accuracy: 0.9080
Epoch 10/10
60000/60000 [==============================] - 6s 96us/sample - loss: 0.2365 - accuracy: 0.9109
<tensorflow.python.keras.callbacks.History at 0x25f7eea0898>

在测试集评估模型

test_loss, test_acc = model.evaluate(test_images,test_labels,verbose=2)
print('\nTest accuracy:', test_acc)

输出结果：

10000/10000 - 1s - loss: 0.3356 - accuracy: 0.8835

Test accuracy: 0.8835

使用模型进行预测

通过训练模型，您可以使用它来预测某些图像。模型的线性输出logits。附加一个softmax层，以将logit转换为更容易解释的概率。

probability_model = tf.keras.Sequential([model,
                                        tf.keras.layers.Softmax()])

predictions = probability_model.predict(test_images)

在这里，模型已经预测了测试集中每个图像的标签。让我们看一下第一个预测：

predictions[0]

输出结果：

array([8.9765700e-07, 1.4239186e-08, 1.4312335e-10, 8.7942272e-11,
       1.1608365e-07, 1.7986147e-05, 2.1622704e-07, 3.4401587e-03,
       5.0773050e-08, 9.9654061e-01], dtype=float32)

预测是10个数字组成的数组。它们代表模型对图像对应于10种不同服装中的每一种的“信心”。您可以看到哪个标签的置信度最高：

np.argmax(predictions[0])

输出结果：

9

因此，模型最有信心该图像是Ankle boot或class_names[9]。检查测试标签表明此分类是正确的：

以图形方式查看完整的10个类预测。

def plot_image(i,predictions_array,true_label,img):
    predictions_array,true_label,img = predictions_array,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):
    predictions_array, true_label = predictions_array, 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')

验证预测

通过训练模型，您可以使用它来预测某些图像。

让我们看一下第0张图像，预测和预测数组。正确的预测标签为蓝色，错误的预测标签为红色。该数字给出了预测标签的百分比（满分为100）。

i = 0
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()

输出结果：

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()

让我们绘制一组带有预测的图像。请注意，即使在测试集上准确率非常高，该模型也可能会出现一些错误预测。

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()

使用训练完成后的模型

最后，使用经过训练的模型对单个图像进行预测。

img = test_images[1]
print(img.shape)

tf.keras对模型进行了优化，可以一次对一批或一组示例进行预测。因此，即使您使用的是单个图像，也需要将其添加到列表中：

# 将要预测的图片添加到一个批处理中
img = (np.expand_dims(img,0))
print(img.shape)

现在，为该图像预测标签：

predictions_single = probability_model.predict(img)

print(predictions_single)

输出结果：

[[2.4490997e-05 6.0981421e-11 9.9608302e-01 4.3779869e-09 3.2670987e-03
  1.2866379e-10 6.2503462e-04 2.3379884e-20 3.6047734e-07 1.4104551e-12]]

plot_value_array(1, predictions_single[0], test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)

输出结果：

查看图片的分类：

np.argmax(predictions_single[0])

输出结果：

2