二、训练fashion_mnist数据集

一、加载fashion_mnist数据集

fashion_mnist数据集中数据为28*28大小的10分类衣物数据集
其中训练集60000张，测试集10000张

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

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

print(train_images.shape)
"""
(60000, 28, 28)
"""
print(test_images.shape)
"""
(10000, 28, 28)
"""
print(train_labels.shape)
"""
(60000,)
"""
print(test_labels.shape)
"""
(60000,)
"""

光看像素值是不是能猜到这个图片是啥了？

print(train_images[0])#看一下训练集第一张图片28*28像素点的值
"""
[[  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   1   0   0  13  73   0   0   1   4   0   0   0   0   1   1   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   3   0  36 136 127  62  54   0   0   0   1   3   4   0   0   3]
 [  0   0   0   0   0   0   0   0   0   0   0   0   6   0 102 204 176 134 144 123  23   0   0   0   0  12  10   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0 155 236 207 178 107 156 161 109  64  23  77 130  72  15]
 [  0   0   0   0   0   0   0   0   0   0   0   1   0  69 207 223 218 216 216 163 127 121 122 146 141  88 172  66]
 [  0   0   0   0   0   0   0   0   0   1   1   1   0 200 232 232 233 229 223 223 215 213 164 127 123 196 229   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0 183 225 216 223 228 235 227 224 222 224 221 223 245 173   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0 193 228 218 213 198 180 212 210 211 213 223 220 243 202   0]
 [  0   0   0   0   0   0   0   0   0   1   3   0  12 219 220 212 218 192 169 227 208 218 224 212 226 197 209  52]
 [  0   0   0   0   0   0   0   0   0   0   6   0  99 244 222 220 218 203 198 221 215 213 222 220 245 119 167  56]
 [  0   0   0   0   0   0   0   0   0   4   0   0  55 236 228 230 228 240 232 213 218 223 234 217 217 209  92   0]
 [  0   0   1   4   6   7   2   0   0   0   0   0 237 226 217 223 222 219 222 221 216 223 229 215 218 255  77   0]
 [  0   3   0   0   0   0   0   0   0  62 145 204 228 207 213 221 218 208 211 218 224 223 219 215 224 244 159   0]
 [  0   0   0   0  18  44  82 107 189 228 220 222 217 226 200 205 211 230 224 234 176 188 250 248 233 238 215   0]
 [  0  57 187 208 224 221 224 208 204 214 208 209 200 159 245 193 206 223 255 255 221 234 221 211 220 232 246   0]
 [  3 202 228 224 221 211 211 214 205 205 205 220 240  80 150 255 229 221 188 154 191 210 204 209 222 228 225   0]
 [ 98 233 198 210 222 229 229 234 249 220 194 215 217 241  65  73 106 117 168 219 221 215 217 223 223 224 229  29]
 [ 75 204 212 204 193 205 211 225 216 185 197 206 198 213 240 195 227 245 239 223 218 212 209 222 220 221 230  67]
 [ 48 203 183 194 213 197 185 190 194 192 202 214 219 221 220 236 225 216 199 206 186 181 177 172 181 205 206 115]
 [  0 122 219 193 179 171 183 196 204 210 213 207 211 210 200 196 194 191 195 191 198 192 176 156 167 177 210  92]
 [  0   0  74 189 212 191 175 172 175 181 185 188 189 188 193 198 204 209 210 210 211 188 188 194 192 216 170   0]
 [  2   0   0   0  66 200 222 237 239 242 246 243 244 221 220 193 191 179 182 182 181 176 166 168  99  58   0   0]
 [  0   0   0   0   0   0   0  40  61  44  72  41  35   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0]
 [  0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0   0]]
"""

输出以下这个照片

plt.imshow(train_images[0])

二、开始训练模型

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28,28)),#照片完全展平，一维数组形式
    keras.layers.Dense(128,activation=tf.nn.relu),#128个神经元
    keras.layers.Dense(10,activation=tf.nn.softmax)#输出层0-9，一共十个
])

查看模型的结构
第一层784个，flatten层将输入的2828图像进行展开，排列成一行，2828=784

第二层128个，128个神经元；100480个参数，第一层的784和第二层的128全排列，784*128=100352，每一个都有一个bias偏置项，100352+128=100480

第三层10个，也就是10分类，10个不同的类别，到时候输出10个概率值，哪个大就是哪一类；1290个参数，第二层128个神经元，分别于10进行全排列，128*10=1280，每一个都有一个bias偏置项，1280+10=1290

model.summary()
"""
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
flatten (Flatten)            (None, 784)               0         
_________________________________________________________________
dense (Dense)                (None, 128)               100480    
_________________________________________________________________
dense_1 (Dense)              (None, 10)                1290      
=================================================================
Total params: 101,770
Trainable params: 101,770
Non-trainable params: 0
_________________________________________________________________
"""

为了使得效果更好，将数据集中的图像像素值都归一化到0-1之间

train_images_y = train_images/255#对训练图像归一化

训练50次

model.compile(optimizer="adam",loss="sparse_categorical_crossentropy",metrics=['accuracy'])#指定优化方法和损失函数
model.fit(train_images_y,train_labels,epochs=50)#训练

因为模型训练的时候传入的时训练集归一化之后的图像
故，模型评估的时候也需要对测试集进行归一化图像

test_images_y = test_images/255#测试评估的时候需要对测试图像也要归一化
model.evaluate(test_images_y,test_labels)#evaluate评估效果
"""
[0.5110174604289234, 0.8845]
"""

从测试集中挑选几个进行测试，实际上会输出10个值，也就是可能性的概率值，最大的就是预测的类别

model.predict([[test_images[0]/255]])
"""
array([[2.2063166e-16, 1.1835037e-17, 7.4574429e-23, 2.0577940e-22,
        4.3680589e-17, 2.7080047e-08, 3.8249505e-15, 3.4797877e-06,
        1.4701404e-10, 9.9999654e-01]], dtype=float32)
"""

筛选模型预测出的值最大的那个

print(np.argmax(model.predict([[test_images[0]/255]])))
"""
9
"""

看下这个图片的实际标签

print(test_labels[0])
"""
9
"""

预测值和实际值一样，说明预测对了

展示下这个图片

plt.imshow(train_images[0])