神经网络入门及改进优化——CNN识别Fashion-MNIST数据集（Python实现）

最新推荐文章于 2024-08-04 17:14:56 发布
原创 最新推荐文章于 2024-08-04 17:14:56 发布 · 1.9k 阅读 · 19 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #tensorflow #卷积神经网络 #神经网络

适用于 TensorFlow 2.3 及 keras 2.4.3 ，Python版本为3.8

如果你使用新版本的第三方库，请考虑降级为本文适用的版本，或者自行查阅第三方库的升级文档修改代码。

图像分类数据集中最常用的是手写数字识别数据集MNIST 。但大部分模型在MNIST上的分类精度都超过了95%。为了更直观地观察算法之间的差异，我们将使用一个图像内容更加复杂的数据集Fashion-MNIST 

FashionMNIST 是图像数据集，它是由 Zalando（一家德国的时尚科技公司）旗下的研究部门提供。其涵盖了来自 10 种类别的共 7 万个不同商品的正面图片。FashionMNIST 的大小、格式和训练集/测试集划分与原始的 MNIST 完全一致。60000/10000 的训练测试数据划分，28x28 的灰度图片。方便我们进行测试各种神经网络算法。 该数据集识别难度远大于原有的MNIST数据集。
这里写图片描述

数据库导入

所有代码都用keras.datasets接口来加载fashion_mnist数据，从网络上直接下载fashion_mnist数据，无需从本地导入，十分方便。

这意味着你可以将代码中的

(X_train, y_train), (X_test, y_test) = fashion_mnist.load_data()

修改为(X_train, y_train), (X_test, y_test) = mnist.load_data()

就可以直接对原始的MN

最低0.47元/天 解锁文章
图像分类项目：Fashion-MNIST 分类（SimpleCNN ）
m0_54846764的博客
10-14 419
模型（MLP）：相比之前的简化版，这里定义了更深的三层全连接网络：将(1,28,28)图像展平为784维向量；ReLU，将 784 维映射到 512 维并引入非线性；ReLU，进一步压缩特征到 256 维；输出 10 个类别的得分（对应 Fashion-MNIST 的 10 类服饰）。更深的网络结构可学习更复杂的特征，但需注意过拟合风险。损失函数（CrossEntropyLoss）多类别分类任务的经典损失函数，内部集成了softmax激活（将输出得分转为概率）和负对数似然损失计算，
CNN识别Fashion-MNIST
qq_27318693的博客
03-07 4526
Fashion_MNIST数据集是一个替代MNIST手写数据集的图片数据集。它是由Zalando(一家德国的时尚科技公司)旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。 Fashion_MNIST 的大小、格式和训练集/测试集划分与原始的 MNIST 完全一致。60000/10000 的训练测试数据划分，28x28 的灰度图片。你可以直接用它来测试你的机器学习和深度学习算...
FashionMNIST-CNN：使用CNN架构的FashionMNIST
02-13
概述 Fashion-MNIST是Zalando文章图片的数据集。 其中包括用于训练集的60,000个样本和用于测试集的10,000个样本。 每个样本均为28x28灰度图像。 这些样本与10个类别的标签关联。 数据集和输入 标签 标签 描述 0 T恤/上衣 1个 裤子 2 套衫 3 裙子 4 外套 5 凉鞋 6 衬衫 7 运动鞋 8 包 9 脚踝靴 火车数据集： 测试数据集： 运行项目所需的库 os numpy matplotlib torch torchvision torchsummary 图形可视化 在项目提交的“ ./runs”目录下提供模型图。 图形可视化所需的库： tensorboard 可视化图形的命令： tensorboard --logdir runs
搭建CNN网络训练fashion-mnist数据集（加入过拟合手段对比）
Vicky
12-25 1334
从以上准确率对比以及两幅loss值的变化图表可以得知，未加防止过拟合手段时，网络出现过拟合现象，添加防止过拟合手段之后，准确率提升，说明添加的防止过拟合手段是有效的。
CNN分类FashionMNIST
weixin_49274741的博客
09-09 664
Define the network architecture 始终以相同方式工作的任何层或函数，例如预定义的激活函数，都可以出现在 __init __ 或 forward 函数中。实际上经常可以看到在 __init __ 中定义的卷积层和池化层，以及 forward 中定义的激活函数。 import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self):
CNN | 05Fashion-MNIST分类
“逛丢一只鞋”的博客
08-08 558
5 Fashion-MNIST分类 5.1 提出问题 MNIST手写识别数据集，对卷积神经网络来说已经太简单了，于是科学家们增加了图片的复杂度，用10种物品代替了10个数字，图18-36是它们的部分样本。 图18-36 部分样本图展示 每3行是一类样本，按样本类别（从0开始计数）分行显示： T-Shirt，T恤衫（1-3行） Trouser，裤子（4-6行） Pullover，套头衫（7-9行） Dress，连衣裙（10-12行） Coat，外套（13-15行） Sandal，凉鞋（16-18行） Sh
深度学习中的Fashion-MNIST数据集与卷积神经网络实现及其训练分析
01-15
内容概要：本文介绍了Fashion-MNIST数据集，并详细讲解了一个三层卷积神经网络(CNN)的设计和实现过程。文中不仅展示了如何定义网络架构，还阐述了卷积、池化及ReLU激活层的工作原理。接着描述了使用原生Python实现该...
基于卷积神经网络的Fashion-MNIST图像识别
最新发布
11-12
提供了一个基于卷积神经网络（CNN）的Fashion-MNIST图像识别资源文件。Fashion-MNIST是一个广泛用于机器学习和深度学习领域的测试数据集，它由类似于MNIST的手写数字图像数据集演变而来。与MNIST不同的是，Fashion-...
fashion-mnist数据集
06-13
在Keras中，可以快速搭建卷积神经网络（CNN）或其他类型的模型来处理Fashion-MNIST数据集。以下是一个简单的CNN示例： ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers ...
Pytorch：卷积神经网络-识别 Fashion-MNIST
Jingmin Wei's Blog
02-03 2360
搭建CNN完成Fashion-MNIST分类任务，并可视化相关结果
FashionMNIST-CNN:用于FashionMNIST数据集的CNN
05-10
时尚MNIST 我为数据集Fashion MNIST实现网络的尝试，可以在以下找到： : 我的模特： - 2 Layered CNN + Max Pooling + Batch Normalisation (Using ReLU activation) - 2 Fully Connected Layers Random Horizontal Flips of the Fashion MNIST images is included as preprocessing technique. Optimizer Used - SGD + Nesterov Momentum 最终命中率-93.29％
CNN-with-FashionMNIST:我的第一个PyTorch神经网络接受了FashionMNIST数据集的培训
05-08
CNN与时尚MNIST 这是我的第一个在FashionMNIST数据集上训练的PyTorch神经网络的存储库。 FashionMNIST数据集 可以在找到该数据集。 它由一个包含60,000个示例的训练集和一个包含10,000个示例的测试集组成。 每个示例都是一个28x28灰度图像，与来自10个类别的标签相关联。 该数据集比MNIST数据集难，因此，具有相同体系结构的该数据集的准确性将低于MNIST数据集的准确性。 数据集类 PyTorch提供了一种创建自定义数据集类，然后在训练过程中使用数据加载器加载它们的方法。 FashionMNIST数据集文件是.gzip格式的ubyte文件。 可以手动使用gzip python模块或gzip，然后使用常规的python文件操作打开文件。 前16个十六进制数字包含诸如长度，行数，列数等信息。 之后的数据包含图像。 将训练和测试图像集重塑为形状为（6
全连接神经网络实现Fashion-MNIST数据集图像分类（可运行）.zip
08-23
是我大作业的代码了哈哈，要是需要带注释的可以私聊哈哈 代码使用方法： 1. 读取数据集 2. 初始化模型参数（选择哪个模型就初始化哪个） 3.定义激活函数（只有选择带隐含层的模型才需要激活函数） 4.防止过拟合（只有选择带隐含层的模型才需要防止过拟合，不过因为下面我们用的权重衰减在训练是也有定义，所以我们需要也给它加个定义） 5.定义模型（选择哪个模型就定义哪个） 6.定义损失函数 7. 定义优化函数 8.训练模型（训练结束可进行绘图） 9. 进行预测 可变参数： 1.选择模型（三种模型，可选用） 2.激活函数（两种） 3.防止过拟合（两种方法，可选用也可都用） 权重衰减（通过lambd 来调整， lambd = 0 即不使用此方法） 丢弃法（通过定义模型时选择） 4.损失函数（咱们的代码只用了一种） 5.优化方法（咱们的代码只用了一种） 6.训练模型（迭代周期数num_epochs和学习率lr可调） 7.定义数据集时小批量的大小
fashion_mnist_数据集
12-16
最近看了一些博客发现原来下载这个数据集的链接都进不去了，于是找别人要了这个数据集发上来，有需要的同学可以下载。这个fashion mnist数据集是mnist数据集的升级版，里面是各种服装的图片。
CNN+FashionMNIST+分类+代码详解
qq_57461253的博客
08-04 2243
对CNN这个大家已经耳熟能详的网络，没有采取介绍CNN知识框架的形式，而是用采取代码详解的方式来记录自己的学习过程。
Pytorch之经典神经网络CNN(六)——NiN(Fashion-MNIST)(全局平均池化GAP)(1*1卷积)(mlpconv)(k-fold validation)
hxxjxw的博客
02-10 2502
2014年新加坡国立大学提出的 在GoogLeNet之前，该设计后来为GoogLeNet(Inception)和 ResNet 等网络模型所借鉴 NIN——Network In Network 网络中的网络 前面的的LeNet、 AlexNet和VGG在设计上的共同之处是：先以由卷积层构成的模块充分抽取空间特征，再以由全连接层构成的模块来输出分类结果。其中， AlexNet和VGG对LeNet的改进主要在于如 何对这两个模块加宽（增加通道数）和加深。 而 NiN 提出了了另外⼀一个思路，即串..
Fashion_mnist数据集 CNN分类
bucan804228552的博客
08-05 408
上一次CNN的作业，供大家参考 ```python ''' -*- coding: utf-8 -*- @Time : 2021/7/26 11:47 @Author : Small_Volcano @File : fashion_mnist-cnn.py.py ''' import copy import time import torch import torch.nn as nn import torch.utils.data as Data from torch.optim import Ad
Fashion MNIST 数据集分类训练优化1
m0_63172128的博客
04-23 646
对于上集演示的Fashion MNIST 数据集分类训练，接着对齐进行优化 1、优化其实无非就是增加其网络容量 增加隐藏层或者增加层里的单元。 2、关于用到Dropout抑制过拟合 （1）说明 之前看过宫廷剧：“后宫佳妃三千，皇上要雨露均沾”，为了防止甄嬛独受宠，要随机掐掉一些激活机会 类似随机森林的思想。深度学习的过拟合已经解决，不是接下来需要研究的内容，这里主要用流行的Dropout。 （2）代码，模型更改 接着上一章，更改模型 model = tf.keras.Sequenti
PyTorch示例——CNN图像分类-FashionMNIST
蒋含竹的博客
04-05 2172
PyTorch示例-CNN多分类-FashionMNIST数据
keras使用cnn实现fashion-mnist数据集识别
10-24
Keras是一个高级神经网络API，它可以在TensorFlow等深度学习库之上运行。如果你想使用Keras的卷积神经网络（Convolutional Neural Network，CNN）来识别Fashion-MNIST数据集，这是一个包含10种服装类别（如T恤、牛仔裤、鞋等）的手写数字图像的数据集，可以按照以下步骤操作： 1. **导入必要的库**： ```python import tensorflow as tf from tensorflow.keras import datasets, layers, models ``` 2. **加载Fashion-MNIST数据**： ```python (train_images, train_labels), (test_images, test_labels) = datasets.fashion_mnist.load_data() ``` 3. **预处理数据**： - 将图像转换为通道在最后的维度 ```python train_images, test_images = train_images / 255.0, test_images / 255.0 train_images = train_images[..., tf.newaxis] test_images = test_images[..., tf.newaxis] ``` 4. **构建CNN模型**： ```python model = models.Sequential([ layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Flatten(), # 展平为一维数组以便输入全连接层 layers.Dense(128, activation='relu'), layers.Dropout(0.5), # 防止过拟合 layers.Dense(10, activation='softmax') # 输出层，10个节点对应10个类别 ]) ``` 5. **编译模型**： ```python model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) ``` 6. **训练模型**： ```python model.fit(train_images, train_labels, epochs=10, validation_split=0.1) ``` 7. **评估模型性能**： ```python test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f'Test accuracy: {test_acc}') ```
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值