tensoflow入门实操计算机视觉介绍

tensoflow入门实操计算机视觉介绍

import tensorflow as tf
from tensorflow import keras
fashion_mnist = keras.datasets.fashion_mnist#导入数据集
(train_images,train_labels),(test_images,test_labels) = fashion_mnist.load_data()

print(train_images.shape)#60000张，每张28*28
import matplotlib.pyplot as plt
plt.imshow(train_images[0])

#全连接网络模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape = (28,28)),
    keras.layers.Dense(128,activation=tf.nn.relu),
    keras.layers.Dense(10,activation = tf.nn.softmax)
    
])
#model = keras.Sequential()
#model.add(keras.layers.Flatten(input_shape=(28,28)))
#model.add(keras.layer.Dense(128,activation =tf.nn.relu))
#model.add(keras.layer.Dense(10,activation= tf.nn.softmax))


model.summary()#100480  784像素*128神经元=100352（因为输入层和中间层每层都有一个bias，加上就是100480）
#1290 = （128+1）*10

#Adam()一种经常使用的优化办法
#train_label[0] = 9，使用sparse_categorical_crossentropy作为损失函数，若[0,0,0,0,0,0,0,0,0,0,0,1]（称为ont-hot）则使用categorical_crossentropy作为损失函数
model.compile(optimizer = tf.optimizers.Adam(),loss = tf.losses.sparse_categorical_crossentropy,metrics=['accuracy'])
model.fit(train_images,train_labels,epochs=5)

#为了提高模型精确度，可以通过对原始数据进行归一化处理再进行模型拟合
train_images = train_images/255
model.compile(optimizer = tf.optimizers.Adam(),loss = tf.losses.sparse_categorical_crossentropy,metrics=['accuracy'])
model.fit(train_images,train_labels,epochs=5)

#评估模型
test_images_scaled = test_images/255
model.evaluate(test_images_scaled,test_labels)

#预测
#教程中没有加reshape,会报错
model.predict([[test_images[0].reshape(1,28,28,1)/255]])

神经元网络不是训练越多越好，越多的话会出现过拟合，也就是说对所有训练图片识别很好，但对新图片识别很差，可以通过对测试LOSS和训练LOSS进行对比，出现分叉即过拟合，tensorflow中通过callback类进行判断及时终止训练