机器学习TensorFlow---Fashion MNIST基本图像分类

实验介绍：

　　利用数据集Fashion MNIST中的数据信息，进行机器学习，构建模型，训练模型。完成对该数据集中的数据分类（对运动鞋和衬衫等服装图像进行分类）。本实验主要使用 tf.keras，它是 TensorFlow 中用来构建和训练模型的高级 API。

导入 Fashion MNIST 数据：

　　头文件展示：

?

1 2 3

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

　　直接从 TensorFlow 中访问 Fashion MNIST。直接从 TensorFlow 中导入和加载 Fashion MNIST 数据，本数据集中包含了6000张训练数据和1000张测试数据：

?

1 2	fashion_mnist = tf.keras.datasets.fashion_mnist (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

　　为每一个标签（labels）命名：

?

1 2 3

#标签0-9分别对应的衣服 class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',                'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

　　标签命名前，标签命名后：

　　数据预处理一下，将这些值缩小至 0 到 1 之间，然后将其馈送到神经网络模型。为此，请将这些值除以 255。请务必以相同的方式对训练集和测试集进行预处理：

?

1 2	train_images = train_images / 255 test_images = test_images / 255

　　数据浏览，展示前25条数据：

?

1 2 3 4 5 6 7 8 9

plt.figure(figsize=(10,10)) for i in range(25):     plt.subplot(5, 5, i + 1)     plt.xticks([])     plt.yticks([])     # plt.cm.binary的作用是图片将以黑白色显示     plt.imshow(train_images[i], cmap=plt.cm.binary)     plt.xlabel(class_names[train_labels[i]]) plt.show()

构建模型：

　　设置层：

?

1 2 3 4 5

model = tf.keras.Sequential([     tf.keras.layers.Flatten(input_shape=(28, 28)),     tf.keras.layers.Dense(128, activation='relu'),     tf.keras.layers.Dense(10) ])

　　编译模型：

?

1 2 3

model.compile(optimizer='adam',               loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),               metrics=['accuracy'])

训练模型：

训练神经网络模型需要执行以下步骤：

1. 将训练数据馈送给模型。在本例中，训练数据位于 train_images 和 train_labels 数组中。
2. 模型学习将图像和标签关联起来。
3. 要求模型对测试集（在本例中为 test_images 数组）进行预测。
4. 验证预测是否与 test_labels 数组中的标签相匹配。

　　 训练模型：

?

1	model.fit(train_images, train_labels, epochs= 10)

　　模型测试：

?

1 2	test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print("测试准确率为： ",test_acc)

模型预测：

　　先建立预测模型：

?

1 2	probability_model = tf.keras.Sequential([model,                                          tf.keras.layers.Softmax()])

　　预测一下：

?

1	predictions = probability_model.predict(train_images)

　　看看预测的第一个数据怎么样：

?

1	predictions[0]

?

1 2	[2.1990630e-14 9.6575387e-11 8.7644484e-20 1.4134983e-15 3.9952511e-13  2.2158854e-05 7.6434464e-14 8.5105496e-03 3.5996098e-14 9.9146724e-01]

　　可以发现，对于这个数据，是该模型预测出的该数据所属标签概率。

　　具体查看该数据最有可能的那个标签：

?

1	print(np.argmax(predictions[0]))

?

1

9

　　

 

实验结束。

__EOF__

本文作者：从荣
本文链接：https://www.cnblogs.com/rongrongrong/p/17528987.html
关于博主：评论和私信会在第一时间回复。或者直接私信我。
版权声明：本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
声援博主：如果您觉得文章对您有帮助，可以点击文章右下角【推荐】一下。您的鼓励是博主的最大动力！