好好学习第二天：服装图像分类

 本文为[365天深度学习训练营]https://blog.csdn.net/qq_38251616/category_11951628.html中的学习博客。

今天学习博客，参考文章地址：深度学习100例-卷积神经网络（CNN）服装图像分类 | 第3天_K同学啊的博客-CSDN博客

活动地址：CSDN21天学习挑战赛

一、原理

CNN卷积神经网络主要执行了四个操作：卷积、非线性（ReLU）、池化或下采样、分类（全连接层）。

 

二、过程

1.导入库和数据集

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

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

2.归一化

# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0

train_images.shape,test_images.shape,train_labels.shape,test_labels.shape

 图片是28*28，像素值介于0~255，标签是整数数组，介于0~9。print(a.shape) #输出数组的形状，逗号表示是一个元组。

3.调整图片格式

#调整数据到我们需要的格式
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))

train_images.shape,test_images.shape,train_labels.shape,test_labels.shape

 使用reshape改变数组，不改变当前数组，按照shape创建新的数组。从三维到四维数组，意义是什么？

4.可视化

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

plt.figure(figsize=(20,10))
for i in range(20):
    plt.subplot(5,10,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i],cmap='gray') 
    plt.xlabel(class_names[train_labels[i]])
plt.show()

5.构建CNN网络

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), #卷积层1，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层3，卷积核3*3
    
    layers.Flatten(),                      #Flatten层，连接卷积层与全连接层
    layers.Dense(64, activation='relu'),   #全连接层，特征进一步提取
    layers.Dense(10)                       #输出层，输出预期结果
])

model.summary()  # 打印网络结构

 

6.编译

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

7.训练模型

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

 8.显示测试集某一张图片

plt.imshow(test_images[1])

 

9.预测

import numpy as np

pre = model.predict(test_images)
print(class_names[np.argmax(pre[1])])

 

10.模型评估（不知道为啥会报错）

plt.plot(history.history['acc'], label='acc')
plt.plot(history.history['val_acc'], label = 'val_acc')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

11.测试准确率

print("测试准确率为：",test_acc)

三、总结