Tensorflow利用卷积神经网络实现图片分类

tensorflow搭建卷积神经网络非常简单，我们使用卷积神经网络对fashion mnist数据集进行图片分类，首先导包：

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

导入数据集：

(train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()

查看图片的shape维度：

train_image.shape

输出：

(60000, 28, 28)

由于我们卷积神经网络需要的是四维的数据，也就是一共需要有四个维度，分别是（图片，横向像素，竖直方向的像素，channel）。

这个数据集里面的图像均为三维的矩阵，且为黑白图片，因此channel为1，如果是RGB的彩色图片的话，channel为3.因此我们把三维的图片变成4维的图片，利用numpy即可：

train_image=np.expand_dims(train_image,-1)
test_image=np.expand_dims(test_image,-1)

然后开始搭建卷积神经网络，我试了试自己的这个模型，做出来的结果甚至比Yun lekun提出的lenet5神经网络更好。搭建神经网络的架构如下：

model.add(tf.keras.layers.Conv2D(32,(3,3),
                                 input_shape=train_image.shape[1:],
                                 activation="relu",
                                 padding="same"))
#添加maxpooling层是因为在之后同样的卷积核能够提取的特征更多，增大“感受野”
model.add(tf.keras.layers.MaxPool2D())
model.add(tf.keras.layers.Conv2D(64,(3,3),activation="relu"))
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(10,activation='softmax'))

编译模型：

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
              loss="sparse_categorical_crossentropy",
              metrics=['acc']
)

得到图像的分类结果，并绘制loss函数变化的图像，用来分析是否模型是否过拟合：

plt.plot(history.epoch,history.history.get('loss'),label="loss")
plt.plot(history.epoch,history.history.get('val_loss'),label="val_loss")
plt.legend()

得解。