tensorflow跑fashion mnist数据集全过程（利用Jupyter内含源码详细解析）

TensorFlow2.0.0安装

（1）在win10中，打开cmd，查看自己的驱动

（2）在安装tensoiflow之前请先安装Anoconda。
（3）本人电脑驱动版本大于410，故使用一条命令就可安装（打开cmd）

conda install tensorflow-gpu==2.0.0

接下来一路选择yes既可以。
（4）检查GPu版本的TensorFlow是否安装成功

#打开cmd
jupyer notebook

在浏览器中弹出如下界面

import tensorflow as tf
tf.test.is_gpu_available()

fashion mnist数据集详细实现过程

希望你已经成功安装了TensorFlow，若有错误多看看其他的安装博客，不要灰心呀！！
接下来这一部分是本文的重点！！请仔细查看，如有错误请及时指出，谢谢

导入模块

import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf
from tensorflow import keras

print(tf.__version__)
print(sys.version_info)
for module in mpl,np,pd,sklearn,tf,keras:
    print(module.__name__,module.__version__)

本人电脑导出的结果如下：
(如果和本人版本不一致的，请注意下面的代码可能和你的版本有出入，请百度）

导入数据集

#导入数据集
fashion_mnist = keras.datasets.fashion_mnist
#拆分训练集和测试集
(x_train_all, y_train_all), (x_test, y_test) = fashion_mnist.load_data()
#将训练集再次拆分为训练集和验证集
x_valid, x_train = x_train_all[:5000],x_train_all[5000:]
y_valid, y_train = y_train_all[:5000],y_train_all[5000:]
#打印验证集、训练集和测试集（numpy格式）
print(x_valid.shape,y_valid.shape)
print(x_train.shape,y_train.shape)
print(x_test.shape,y_test.shape)

注意：我第一次导入的时候没成功，但是查看电脑的数据集位置，分明已经完成导入了，于是我重新把这四个文件删除又导入了一遍，NICE！！成功了。。。

成功后显示：

查看数据集

#了解数据集结构，展示出一张数据集的图像
def show_single_image(img_arr):
    plt.imshow(img_arr,cmap="binary")
    plt.show()
    
show_single_image(x_train[0])

运行结果：

#显示多张图片
def show_imags(n_rows,n_cols,x_data,y_data,class_names):
   assert len(x_data)==len(y_data)
   assert n_rows*n_cols < len(x_data)
   plt.figure(figsize=(n_cols*1.4,n_rows*1.6))
   for row in range(n_rows):
       for col in range(n_cols):
           index = n_cols*row+col
           plt.subplot(n_rows,n_cols,index+1)
           plt.imshow(x_data[index],cmap = "binary",interpolation="nearest")
           plt .axis("off")#不显示坐标尺寸
           plt.title(class_names[y_data[index]])
   plt.show()

class_names = ['T-shirt','Trouser','Pullover','Dress','Coat','Sandal','Shirt',
               'Sneaker','Bag','Ankle boot']
show_imags(3,5,x_train,y_train,class_names)

显示结果：

构建模型

注意：要格外的关注下方的算法，本人第一次使用的算法是sgd，训练出来的accuracy一直不超过10%，很是纳闷，看了其他人的想法，改用adam后好一些，各位老哥还可以用一下RMSProp算法，多多尝试一下哈，本人也是小白，有大哥也可以给俺指点一下！

#构建模型
#tf.keras.Sequential
model = keras.models.Sequential()
#输入层：将输入矩阵[28,28]展平为一维向量
model.add(keras.layers.Flatten(input_shape = [28, 28]))
#全连接层；单元数设置为300；activation就是激活函数
model.add(keras.layers.Dense(300, activation="relu"))
#全连接层；单元数为100
model.add(keras.layers.Dense(100,activation="relu"))
#输出层；因为我们的输出结果是10个类别的分类，故模型输出应该是长度为10的概率分布
model.add(keras.layers.Dense(10,activation="softmax"))

# relu：y = max(0,x) ; 即 输入为一个x，当x大于0，输出为x；否则输出为0。
# softmax：将向量变为概率分布。
# 即将 x = [x1,x2,x3] -> y = [e^x1/sum, e^x2/sum, e^x3/sum] ,sum = e^x1 + e^x2 + e^x3

#loss后为损失函数，为何用spars？因为上面的x_value和y_value一一对应！
#optimizers 是选择用哪种算法（可以选 sqd、adam、rmsprop），这个关系到后面训练的loss和accuarcy
model.compile(loss = 'sparse_categorical_crossentropy',optimizer = 'adam',
              metrics = ['accuracy'])

查看模型

（1）

#模型有多少层
model.layers

运行结果：

（2）

#模型的架构
model.summary()

运行结果：

（3）模型分析

#[None, 784] * W(w是指矩阵) + b（b是指偏置） -> [None, 300] ；
#其中w,shape [784,300],b = [300].

模型训练

#epochs 后是训练次数；valiation_data是验证
history = model.fit(x_train,y_train,epochs=10,validation_data=(x_valid,y_valid))

运行结果：

绘制曲线

def plot_learning_curves(history):
    pd.DataFrame(history.history).plot(figsize = (8,5))
    plt.grid(True)
    plt.gca().set_ylim(0,1)
    plt.show()
    
plot_learning_curves(history)

运行结果：

参考

文章上述内容，均来自互联网整理，及本人观看教程视频整理，若有侵权请联系立即删除！
如有错误请及时指出！！对你有帮助的话，那就点个赞吧（码字也不易啊）
深度学习小白，欢迎讨论！！

转载请注明出处

https://blog.csdn.net/qq_45281711/article/details/105272293