前言
基于TensorFlow2.x的框架，使用PYthon编程语言，实现对服装图像进行分类。
思路流程：
- 导入 Fashion MNIST数据
- 集探索数据
- 预处理数据
- 建立模型（搭建神经网络结构、编译模型）
- 训练模型（把数据输入模型、评估准确性、作出预测、验证预测）
- 使用训练有素的模型
一、Fashion MNIST数据集
Fashion MNIST数据集包括一些运动鞋和衬衫等衣物；我们从下图中先看一下：
给不同类别的 运动鞋和衬衫等衣物，进行索引分类；每个图像都映射到一个标签。
不同的类别，对应其索引，先把它们存储在此处以供以后在绘制图像时使用：
-
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
-
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
二、探索数据
在训练模型之前，我们可以探索数据集的格式。比如：训练集中有60,000张图像，每个图像表示为28 x 28像素。训练集中有60,000个标签；每个标签都是0到9之间的整数。
测试集中有10,000张图像。同样，每个图像都表示为28 x 28像素。测试集包含10,000个图像标签。
探索数据代码：
运行结果：
3、预处理数据
在训练网络之前，必须对数据进行预处理。如果检查训练集中的第一张图像，将看到像素值落在0到255的范围内：
-
plt.figure()
-
plt.imshow(train_images[0])
-
plt.colorbar()
-
plt.grid(False)
-
plt.show()
查看第一张图像（像素值落在0到255），运行结果：
将这些值缩放到0到1的范围，然后再将其输入神经网络模型。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
为了验证数据的格式正确，并且已经准备好构建和训练网络，让我们显示训练集中的前25张图像，并在每张图像下方显示类别名称。
-
plt.figure(figsize=(10,10))
-
for i in range(25):
-
plt.subplot(5,5,i+1)
-
plt.xticks([])
-
plt.yticks([])
-
plt.grid(False)
-
plt.imshow(train_images[i], cmap=plt.cm.binary)
-
plt.xlabel(class_names[train_labels[i]])
-
plt.show()
运行结果：可以看到 训练集中的前25张图像
四、建立模型
建立神经网络需要配置模型的各层（图层），然后编译模型。
1）搭建神经网络结构
神经网络的基本组成部分是图层 。图层（神经网络的结构）将输入到图层中的数据进行提取特征。
深度学习的大部分内容是将简单的层链接在一起。大多数层（例如tf.keras.layers.Dense ）具有在训练期间学习的参数。
-
model = keras.Sequential([
-
keras.layers.Flatten(input_shape=(28, 28)),
-
keras.layers.Dense(128, activation='relu'),
-
keras.layers.Dense(10)
-
])
此网络的第一层tf.keras.layers.Flatten将图像的格式从二维数组（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，网络由两个tf.keras.layers.Dense层序列组成。这些是紧密连接或完全连接的神经层。第一Dense层具有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个类之一。
2）编译模型
在准备训练模型之前，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。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',
-
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
-
metrics=['accuracy'])
五、训练模型
训练神经网络模型需要执行以下步骤：
- 将训练数据输入模型。在此示例中，训练数据在
train_images和train_labels数组中。 - 训练过程中该模型会学习关联图像和标签。（找到正确的对应关系，比如a图片，对应a标签，而不是对应c标签）
- 使用训练好后的模型对测试集进行预测。（在本示例中为
test_images数组） - 验证预测是否与
test_labels数组中的标签匹配。
1）把数据输入模型进行训练
要开始训练，请调用model.fit方法：
model.fit(train_images, train_labels, epochs=10)
这里训练过程中会迭代10次；
第1次训练：
第2次训练：
..........................3、4、5、6、7、8、9...................训练
第10次训练：
模型训练时，会显示损失和准确性指标。该模型在训练数据上达到约0.91（或91％）的精度。
2）评估准确性
比较模型在测试数据集上的表现：
-
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
-
-
print('\nTest accuracy:', test_acc)
运行结果：
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 。当机器学习模型在新的，以前看不见的输入上的表现比训练数据上的表现差时，就会发生过度拟合。过度拟合的模型“记忆”训练数据集中的噪声和细节，从而对新数据的模型性能产生负面影响。
解决方案：请参见以下内容：（有兴趣可以看一下）
3）作出预测
通过训练模型，可以使用它来预测某些图像。模型的线性输出logits 。附加一个softmax层，以将logit转换为更容易解释的概率。
-
probability_model = tf.keras.Sequential([model, tf.keras.layers.Softmax()])
-
predictions = probability_model.predict(test_images)
在这里，模型已经预测了测试集中每个图像的标签。让我们看一下第一个预测：
predictions[0]
运行结果：
预测是由10个数字组成的数组。它们代表模型对图像对应于10种不同服装中的每一种的“置信度”。可以看到哪个标签的置信度最高： np.argmax(predictions[0])
输出是 9
因此，模型最有把握认为该图像是短靴/脚踝靴（class_names[9] ）；检查测试标签表明此分类是正确的：test_labels[0]
输出也是 9
4）验证预测
通过训练模型，可以使用它来预测某些图像。让我们看一下第0张图像，预测和预测数组。正确的预测标签为蓝色，错误的预测标签为红色。该数字给出了预测标签的百分比（满分为100）。
正确的预测标签为蓝色：
-
i = 0
-
plt.figure(figsize=(6,3))
-
plt.subplot(1,2,1)
-
plot_image(i, predictions[i], test_labels, test_images)
-
plt.subplot(1,2,2)
-
plot_value_array(i, predictions[i], test_labels)
-
plt.show()
运行结果：
错误的预测标签为红色：
-
i = 12
-
plt.figure(figsize=(6,3))
-
plt.subplot(1,2,1)
-
plot_image(i, predictions[i], test_labels, test_images)
-
plt.subplot(1,2,2)
-
plot_value_array(i, predictions[i], test_labels)
-
plt.show()
运行结果：
绘制一些带有预测的图像：
-
# 绘制一些带有预测的图像
-
# 绘制前X张测试图像，它们的预测标签和真实标签。
-
# 将正确的预测颜色设置为蓝色，将不正确的预测颜色设置为红色。
-
num_rows = 5
-
num_cols = 3
-
num_images = num_rows*num_cols
-
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
-
for i in range(num_images):
-
plt.subplot(num_rows, 2*num_cols, 2*i+1)
-
plot_image(i, predictions[i], test_labels, test_images)
-
plt.subplot(num_rows, 2*num_cols, 2*i+2)
-
plot_value_array(i, predictions[i], test_labels)
-
plt.tight_layout()
-
plt.show()
六、使用训练有素的模型
使用经过训练的模型对单个图像进行预测；先挑一张图片，比如test_images[0]，它是这样的：
它是短靴/脚踝靴，对应标签是9。下面使用模型进行预测：
-
# 【6 使用训练有素的模型】
-
# 使用经过训练的模型对单个图像进行预测。
-
# 从测试数据集中获取图像。
-
img = test_images[0]
-
-
# 将图像添加到唯一的批处理
-
img = (np.expand_dims(img,0))
-
-
# 为该图像预测正确的标签：
-
predictions_single = probability_model.predict(img)
-
print("输出每一个标签的把握：", predictions_single) # 一共10个标签，索引从0，1，2到9
-
-
plot_value_array(1, predictions_single[0], test_labels)
-
_ = plt.xticks(range(10), class_names, rotation=45)
-
-
# keras.Model.predict返回一个列表列表-数据批次中每个图像的一个列表。批量获取我们（仅）图像的预测
-
print("模型预测的结果：", np.argmax(predictions_single[0]))
运行结果：
我们可以看到有99.6%的把握认为是标签9，预测正确了，能分辨出是短靴/脚踝靴（标签是9）。
七、源代码：
-
# 本程序基于TensorFlow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。
-
# 使用tf.keras （高级API）在TensorFlow中构建和训练模型。
-
-
# TensorFlow and tf.keras
-
import tensorflow as tf
-
from tensorflow import keras
-
-
# Helper libraries
-
import numpy as np
-
import matplotlib.pyplot as plt
-
-
# 查看当前tensorflow版本
-
print("当前tensorflow版本", tf.__version__)
-
-
# 【1 导入Fashion MNIST数据集】
-
'''
-
加载数据集将返回四个NumPy数组：
-
train_images和train_labels数组是训练集 ，即模型用来学习的数据。
-
针对测试集 ， test_images和test_labels数组对模型进行测试
-
'''
-
'''
-
图像是28x28 NumPy数组，像素值范围是0到255。 标签是整数数组，范围是0到9。这些对应于图像表示的衣服类别 ：
-
标签 类
-
0 T恤
-
1 裤子
-
2 套衫/卫衣
-
3 连衣裙
-
4 外衣/外套
-
5 凉鞋
-
6 衬衫
-
7 运动鞋
-
8 袋子
-
9 短靴/脚踝靴
-
'''
-
fashion_mnist = keras.datasets.fashion_mnist
-
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
-
-
# 每个图像都映射到一个标签
-
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
-
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
-
-
-
# 【2 探索数据】
-
# 在训练模型之前，让我们探索数据集的格式。下图显示了训练集中有60,000张图像，每个图像表示为28 x 28像素
-
print("训练集总图片数：", train_images.shape)
-
-
# 训练集中有60,000个标签
-
print("训练集中标签数:", len(train_labels))
-
-
# 每个标签都是0到9之间的整数
-
print("标签取值：", train_labels)
-
-
# 测试集中有10,000张图像。同样，每个图像都表示为28 x 28像素
-
print("测试集总图片数：", test_images.shape)
-
-
# 测试集包含10,000个图像标签
-
print("测试集标签数：", len(test_labels))
-
-
-
# 【3 预处理数据】
-
# 在训练网络之前，必须对数据进行预处理。如果检查训练集中的第一张图像，将看到像素值落在0到255的范围内
-
plt.figure()
-
plt.imshow(train_images[0])
-
plt.colorbar()
-
plt.grid(False)
-
plt.show()
-
-
# 将这些值缩放到0到1的范围，然后再将其输入神经网络模型。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
-
-
#为了验证数据的格式正确，并且已经准备好构建和训练网络，让我们显示训练集中的前25张图像，并在每张图像下方显示班级名称。
-
plt.figure(figsize=(10,10))
-
for i in range(25):
-
plt.subplot(5,5,i+1)
-
plt.xticks([])
-
plt.yticks([])
-
plt.grid(False)
-
plt.imshow(train_images[i], cmap=plt.cm.binary)
-
plt.xlabel(class_names[train_labels[i]])
-
plt.show()
-
-
# 【4 建立模型】
-
# 建立神经网络需要配置模型的各层，然后编译模型
-
# 搭建神经网络结构 神经网络的基本组成部分是层 。图层（神经网络结构）从输入到其中的数据中提取表示
-
# 深度学习的大部分内容是将简单的层链接在一起。大多数层（例如tf.keras.layers.Dense ）具有在训练期间学习的参数。
-
model = keras.Sequential([
-
keras.layers.Flatten(input_shape=(28, 28)),
-
keras.layers.Dense(128, activation='relu'),
-
keras.layers.Dense(10)
-
])
-
-
'''
-
编译模型
-
在准备训练模型之前，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',
-
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
-
metrics=['accuracy'])
-
-
-
# 【5 训练模型】
-
'''
-
训练神经网络模型需要执行以下步骤：
-
1.将训练数据输入模型。在此示例中，训练数据在train_images和train_labels数组中。
-
2.该模型学习关联图像和标签。
-
3.要求模型对测试集进行预测（在本示例中为test_images数组）。
-
4.验证预测是否与test_labels数组中的标签匹配。
-
'''
-
# 要开始训练，请调用model.fit方法，之所以这么称呼是因为它使模型“适合”训练数据：
-
model.fit(train_images, train_labels, epochs=10)
-
-
# 比较模型在测试数据集上的表现
-
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
-
print('\nTest accuracy:', test_acc)
-
-
# 作出预测 通过训练模型，您可以使用它来预测某些图像。模型的线性输出logits 。附加一个softmax层，以将logit转换为更容易解释的概率。
-
probability_model = tf.keras.Sequential([model, tf.keras.layers.Softmax()])
-
-
predictions = probability_model.predict(test_images)
-
-
print(predictions[0])
-
-
print(np.argmax(predictions[0]))
-
print(test_labels[0])
-
-
# 以图形方式查看完整的10个类预测。
-
def plot_image(i, predictions_array, true_label, img):
-
true_label, img = true_label[i], img[i]
-
plt.grid(False)
-
plt.xticks([])
-
plt.yticks([])
-
-
plt.imshow(img, cmap=plt.cm.binary)
-
-
predicted_label = np.argmax(predictions_array)
-
if predicted_label == true_label:
-
color = 'blue'
-
else:
-
color = 'red'
-
-
plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
-
100*np.max(predictions_array),
-
class_names[true_label]),
-
color=color)
-
-
def plot_value_array(i, predictions_array, true_label):
-
true_label = true_label[i]
-
plt.grid(False)
-
plt.xticks(range(10))
-
plt.yticks([])
-
thisplot = plt.bar(range(10), predictions_array, color="#777777")
-
plt.ylim([0, 1])
-
predicted_label = np.argmax(predictions_array)
-
-
thisplot[predicted_label].set_color('red')
-
thisplot[true_label].set_color('blue')
-
-
'''验证预测
-
通过训练模型，您可以使用它来预测某些图像。
-
让我们看一下第0张图像，预测和预测数组。正确的预测标签为蓝色，错误的预测标签为红色。该数字给出了预测标签的百分比（满分为100）。'''
-
i = 0
-
plt.figure(figsize=(6,3))
-
plt.subplot(1,2,1)
-
plot_image(i, predictions[i], test_labels, test_images)
-
plt.subplot(1,2,2)
-
plot_value_array(i, predictions[i], test_labels)
-
plt.show()
-
-
i = 12
-
plt.figure(figsize=(6,3))
-
plt.subplot(1,2,1)
-
plot_image(i, predictions[i], test_labels, test_images)
-
plt.subplot(1,2,2)
-
plot_value_array(i, predictions[i], test_labels)
-
plt.show()
-
-
# 绘制一些带有预测的图像
-
# 绘制前X张测试图像，它们的预测标签和真实标签。
-
# 将正确的预测颜色设置为蓝色，将不正确的预测颜色设置为红色。
-
num_rows = 5
-
num_cols = 3
-
num_images = num_rows*num_cols
-
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
-
for i in range(num_images):
-
plt.subplot(num_rows, 2*num_cols, 2*i+1)
-
plot_image(i, predictions[i], test_labels, test_images)
-
plt.subplot(num_rows, 2*num_cols, 2*i+2)
-
plot_value_array(i, predictions[i], test_labels)
-
plt.tight_layout()
-
plt.show()
-
-
# 【6 使用训练有素的模型】
-
# 使用经过训练的模型对单个图像进行预测。
-
# 从测试数据集中获取图像。
-
img = test_images[0]
-
-
# 将图像添加到唯一的批处理
-
img = (np.expand_dims(img,0))
-
-
# 为该图像预测正确的标签：
-
predictions_single = probability_model.predict(img)
-
print("输出每一个标签的把握：", predictions_single) # 一共10个标签，索引从0，1，2到9
-
-
plot_value_array(1, predictions_single[0], test_labels)
-
_ = plt.xticks(range(10), class_names, rotation=45)
-
-
# keras.Model.predict返回一个列表列表-数据批次中每个图像的一个列表。批量获取我们（仅）图像的预测
-
print("模型预测的结果：", np.argmax(predictions_single[0]))
-
-
希望对你有帮助；
本文参考：
Tensorflow 官网：https://www.tensorflow.org/
文章来源: guo-pu.blog.csdn.net，作者：一颗小树x，版权归原作者所有，如需转载，请联系作者。
原文链接：guo-pu.blog.csdn.net/article/details/108496516