二、softmax多分类学习 基于fashion_mnist数据集

多分类学习 fashion_mnist数据集

import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

(train_image, train_label), (test_image, test_label) = tf.keras.datasets.fashion_mnist.load_data()
# 将数据集分为训练集和测试集。训练集包含训练图像和相应的标签，测试集包含测试图像和相应的标签。
train_image.shape
#训练图像共有 60000 个样本，每个样本都是 28x28 的灰度图像。

# 对训练图像和测试图像进行归一化处理，将像素值缩放到 0 到 1 之间。
# 归一化输入数据，可以消除尺度差异，加速模型收敛，并避免数值不稳定性，从而提高神经网络模型的训练效果和性能。
train_image = train_image/255
test_image = test_image/255

# 创建了一个序列模型 model。序列模型是一个线性的层堆叠模型，每个层通过 model.add() 方法添加。
# 首先，使用 Flatten 层将 28x28 的图像展平为 784 个像素的一维向量。这样做是为了将图像数据输入到后续的全连接层中。
# 然后，添加一个具有 128 个神经元和 ReLU 激活函数的全连接层。ReLU 函数可以引入非线性特征，并增加模型的表达能力。
# 最后，添加一个具有 10 个神经元和 softmax 激活函数的全连接层。这是一个多类别分类问题，softmax 函数将输出转换为表示不同类别概率的向量。


# Flatten 层是用于数据形状变换的输入层，将多维数据转换为一维向量，不引入参数和权重。
# Dense 层是全连接层，每个神经元都与上一层的所有神经元相连接，引入参数和权重进行特征学习和非线性映射。

model =tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))  #28*28的向量
model.add(tf.keras.layers.Dense(128,activation='relu'))
model.add(tf.keras.layers.Dense(10,activation='softmax'))

#指定学习速率版
model.compile(optimizer=tf.keras.optimizers.Adam(lr=0.001),
              loss='sparse_categorical_crossentropy',
                metrics=['acc']
             )
# 常见的优化器包括随机梯度下降（SGD）、Adam、RMSprop 等
#Sparse Categorical Cross-Entropy 首先将标签转换为 one-hot 编码的形式，然后计算模型输出概率分布与转换后的标签之间的交叉熵。
#Sparse Categorical Cross-Entropy 具有与 Categorical Cross-Entropy 相同的效果，但不需要显式进行 one-hot 编码。
# 评估指标包括准确率（accuracy）、精确度（precision）、召回率（recall）、F1 值等

model.fit(train_image,train_label,epochs=3,verbose=2)
model.evaluate(test_image,test_label)