Fashion数据集神经网络模型训练（使用sequential）

fashion数据集提供6万张28*28像素点的衣服裤子类图片和标签，用于训练

fashion数据集提供1万张28*28像素点的衣服裤子类图片和标签，用于测试

一共有十个标签，表示衣服的类型，比如T恤衫、裤子、套头衫、连衣裙......

1.导入相应模块，这里只需要用到tensorflow就行

#导入相关模块
import tensorflow as tf

2.导入数据集

#导入数据集（训练集和测试集）
fashion=tf.keras.datasets.fashion_mnist
(x_train,y_train),(x_test,y_test)=fashion.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

该数据集是灰度图像，像素值在0-255之间，除以255的意思是将其归一化到0-1之间，因为神经网络更利于处理较小的数据，0-1的数据集有很好的效果

3.搭建神经网络，具体的参数可见注释

#搭建神经网络
model=tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),#图像拉伸成一维数组
    tf.keras.layers.Dense(256,activation='relu'),#输入层神经元个数和激活函数
    tf.keras.layers.Dense(10,activation='softmax')#输出层神经元和激活函数
    #上一行中的10代表的是10种衣服输出的概率
])

 4.配置训练方法，参数设置可见上一篇博客

 

#配置训练方法
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              metrics=['sparse_categorical_accuracy'])

5.执行训练，batch_size可设置一次训练的打包输入像素点的多少，在自己机器条件允许的条件即没有超内存的情况下，可以设置大一些

#执行训练
model.fit(x_train, y_train, batch_size=64, epochs=4, validation_data=(x_test, y_test), validation_freq=1)
#打印网络结构参数统计
model.summary()