keras对服装图像进行分类

信心很重要，加油！！

目标：训练了一个神经网络模型来对运动鞋和衬衫等衣物的图像进行分类。

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

1.导入Fashion MNIST数据集

(train_images, train_labels), (test_images, test_labels) = keras.datasets.fashion_mnist.load_data()
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

1.1此处有坑：网络下载不下来数据。可以直接在这个网站下载，一共4份数据。直接下载：分别点击图中四个蓝色Download即可下载。
https://www.worldlink.com.cn/en/osdir/fashion-mnist.html

**1.2下载的数据存放位置
get_file()是通过url下载文件，其中cache_dir: 存储缓存文件的位置，为 None 时默认为 Keras 目录.我的keras默认目录就是C:\Users\lee.keras。
当然你也可以指定路径。
下载后放C:\Users\lee.keras\datasets\fashion-mnist。

*

*2.探索下数据：都是些可爱的服装图片

2.1单张图片**

plt.figure()
plt.imshow(train_images[100])
plt.colorbar()
plt.grid(False)

2.2 前25张图片

plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.imshow(train_images[i],cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[0]])

2.3像素的归一化
在将它们输入神经网络模型之前，将这些值缩放到0到1的范围。为此，将值除以255。以相同的方式预处理训练集和测试集非常重要：

train_images = train_images/255.0
test_images = test_images/255.0

3.训练网络

3.1搭建网络各层，明确节点数
该网络的第一层tf.keras.layers.Flatten将图像格式从二维数组（28 x 28像素）转换为一维数组（28 * 28 = 784像素）。可以将这一层看作是堆叠图像中的像素行并将它们排成一行。该层没有学习参数。它只会重新格式化数据。

像素展平后，网络由tf.keras.layers.Dense两层序列组成。这些是紧密连接或完全连接的神经层。第一Dense层有128个节点（或神经元）。第二层（也是最后一层）返回长度为10的logits数组。每个节点包含一个得分，该得分指示当前图像属于10类之一。

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10)
	])

3.2编译
在准备训练模型之前，还需要进行一些其他设置。这些是在模型的编译步骤中添加的：
损失函数 -衡量训练期间模型的准确性。您希望最小化此功能，以在正确的方向上“引导”模型。
优化器 -这是基于模型看到的数据及其损失函数来更新模型的方式。
指标 -用于监视培训和测试步骤。以下示例使用precision，即正确分类的图像比例。

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

3.3模型训练
model.fit(train_images, train_labels, epochs=10)

4.模型评估

测试数据集的准确性略低于训练数据集的准确性。训练准确性和测试准确性之间的差距代表过度拟合。

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

5.模型预测分类的概率

pro = probability_model.predict(test_images)
print(pro[0])

np.argmax(pro[0])

输出：9 表明大概率属于第9类。np.argmax返回最大值的索引。

参考文章，感谢感谢：
https://blog.csdn.net/weixin_43440726/article/details/103864652
https://tensorflow.google.cn/tutorials/keras/classification?hl=zh_cn