文章学习资源来自TensorFlow官网文档
本文训练一个网络模型来进行服装分类,比如衣服是T恤还是夹克。这可以快速入门了解TensorFlow2.0怎么进行分类任务的。
1. 引入 tf.keras
2. 导入MNIST时装数据集
Fashion MNIST 包含了10类、70000张灰度图。这个数据集被打造为图像识别任务的Hello World程序。
数据集地址 :
下面图片是一些图片示例(28*28像素):
执行代码,程序会自动下载数据集。
加载的数据集返回4个NumPy数组:
train_images , train_labels 数组:模型数据训练集test_images,test_labes 数组:模型测试集
图像是28*28的NumPy数组,像素值从0-255。标是整数,0-9,下面是含义:
LabelClass0T-shirt/top1Trouser2Pullover3Dress4Coat5Sandal6Shirt7Sneaker8Bag9Ankle boot
下面定义标注名称:
3. 分析数据
通过train_images.shape可以查看训练模型的数据格式,这里会显示它是60000张图片的训练集,每个图片28*28像素:
查看len(train_labels) 训练标注:
类似的,也可以查看测试集。
4. 预处理数据
训练前要先把数据预处理。这里可以先试着看一张图片:
结果:
可以看到像素值是0-255。下面将值转换到0-1。训练集和测试集必须采用同样的处理方法 。
下面显示25张图片,看看图片转换的结果:
5. 重点来了,创建神经网络模型
过程: 1. 配置 ;2.编译
i. 建顺序层
模型的基本单位是层。使用keras会比传统手工更容易创建一个层:
第1个层:tf.keras.layers.Flatten,将图片从2维(2828像素)数组,转成一维数组(2828=784像素)。这个层只是把数据平面化。
下面是两个tf.keras.layers.Dense层,它们称为紧密连接或全连接、或神经层。1层有128个神经节点,第二个有10节点的softmax激活函数,它返回 10个可能性分值,这些分值总和是1.每个节点都表示当前图片属于哪种分类的分值。
2. 编译模型
编译要定义三个参数:
损失函数优化器评估指标:用来监视训练和测试的步骤。下面是使用accuracy。
3. 训练模型 ,3个步骤:
输入训练数据模型学习图片和标注间的规律测试集测试
开始训练:
训练过程中会显示损失值、准确度。
4. 测试集测试,看看训练的准确度怎么样
5. 预测
这里使用测试集试试预测效果:
输出是一个数组,表示属于10种分类的可能性值。使用argmax取最大置信度的值:看看和标注值可一致: