FashionMNNST数据集

FashionMNNST数据集
使用tensorflow2.x，实现FashionMNNST数据集的简单网络结构的搭建（5层全连接层），以及测试。

# -*- coding: utf-8 -*-
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import datasets,layers,optimizers,Sequential,metrics

def preprocess(x,y):#数据预处理
    x = tf.cast(x, dtype=tf.float32)/255.
    y = tf.cast(y, dtype=tf.int32)
    return x,y

#加载数据集
(x, y), (x_test, y_test) = datasets.fashion_mnist.load_data()
print(x.shape, y.shape)#(60000, 28, 28) (60000,) (10000, 28, 28) (10000,)

batchsz = 128
db = tf.data.Dataset.from_tensor_slices((x,y))
db = db.map(preprocess).shuffle(10000).batch(batchsz)  #调用预处理函数，对每一个x，y进行处理，打散数据，截断

db_test = tf.data.Dataset.from_tensor_slices((x_test,y_test))
db_test = db_test.map(preprocess).batch(batchsz)

db_iter = iter(db)
sample = next(db_iter)
print('batch:',sample[0].shape,sample[1].shape)

#Squential是个容器，将创建的list传给Sequential，它就是一个网络层
model = Sequential([
        layers.Dense(256, activation = tf.nn.relu), #[b,784]==>[b,256]  全连接层，线性激活函数
        layers.Dense(128, activation = tf.nn.relu), #[b,256]==>[b,128]
        layers.Dense(64, activation = tf.nn.relu),  #[b,128]==>[b, 64]
        layers.Dense(32, activation = tf.nn.relu),  #[b, 64]==>[b, 32]
        layers.Dense(10)                            #[b, 32]==>[b, 10]
        ])

model.build(input_shape=[None, 28*28])#喂一个输入，构建一个权值
model.summary()#调试，可以将网络结构打印出来


#优化器 ： w = w - lr*grad
optimizer = optimizers.Adam(lr = 1e-3)


def main():
    
    for epoch in range(10):
        
        for step,(x,y) in enumerate(db):
            
            #x：[b,28,28] ==> [b,784]
            #y：[b]
            x = tf.reshape(x,[-1,28*28])
            
            #求梯度
            with tf.GradientTape() as tape:

                #[b,784] ==> [b,10]
                logits = model(x)#调用网络层，得到没有归一化的输出值logits
                y_onehot = tf.one_hot(y, depth = 10)  #将y转成one_hot

                loss_mse = tf.reduce_mean(tf.losses.MSE(y_onehot, logits))   #均方差损失函数MSE
                loss_ce = tf.losses.categorical_crossentropy(y_onehot, logits, from_logits=True)   #交叉熵损失函数
                loss_ce = tf.reduce_mean(loss_ce)

            grads = tape.gradient(loss_ce, model.trainable_variables)  #model.trainable_variables返回【w,b】参数列表
            optimizer.apply_gradients(zip(grads, model.trainable_variables))  #原地更新参数
                   
            if step%100 == 0:
                print(epoch,step,'loss：',float(loss_ce),float(loss_mse))

        total_correct, total_num = 0, 0
        #test
        for x,y in enumerate(db_test):
            # x：[b,28,28] ==> [b,784]
            # y：[b]
            x = tf.reshape(x, [-1, 28 * 28])

            # [b,784] ==> [b,10]
            logits = model(x)  # 调用网络层，使用当前状态的【w，b】，得出测试图片的输出值

            #logits ==> prob  将输出值转换成概率（归一化）
            prob = tf.nn.softmax(logits, axis = 1)
            #[b,10] ==> [b]  pred: int64 ==> int32
            pred = tf.argmax(prob, axis=1)  #获取prob的最大得分的索引位置【0-9】
            pred = tf.cast(pred, dtype=tf.int32)

            #pred:[b]
            #y:[b] 存储的是类别的值【0-9】
            correct = tf.equal(pred,y)   #比较pred与y，相等返回True，不等返回False
            correct = tf.reduce_sum(tf.cast(correct, dtype=tf.int32))  #将bool型转成int，求出b张图片中正确的个数

            total_correct += int(correct)  #求出测试数据集中总的正确个数
            total_num += x.shape[0]    #计算测试集的图片个数

        acc = total_correct / total_num   #计算正确率
        print(epoch, 'test acc:', acc)

if __name__ == '__main__':
    main()