tensorflow学习016——卷积神经网络识别Fashion mnist数据集

4.2卷积神经网络识别Fashion mnist数据集

点击查看代码

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

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
#train_images（60000，28，28）  test_images (10000,28,28)
# (个数，高，宽)
#扩张其维度 (60000,28,28,1) 第四维是它的通道数  黑白图的通道数是1  这是卷积神经网络的输入形状
#这里也可以使用reshape()方法
train_images = np.expand_dims(train_images, -1)
test_images = np.expand_dims(test_images, -1)

model = tf.keras.Sequential() #顺序模型
#第一层使用卷积层提取特征  32表示对每一个图片使用的卷积核的个数，此时每个图片就变成了(height,width,32)
#(3,3)表示卷积核的大小  input_shape表述输入的大小维(height,width.channel)
model.add(tf.keras.layers.Conv2D(32,(3,3),input_shape=(28,28,1),activation='relu')) #这里美誉使用padding 所以每张图片形状(26,26,32)
model.add(tf.keras.layers.MaxPooling2D()) #默认是2*2  (13,13,32)
model.add(tf.keras.layers.Conv2D(64,(3,3),activation='relu')) #(11,11,64)
# GlobalAveragePooling2D() 可以拥戴代替Flatten() 将(height,width,channel)转换为(chnnels) 也就是将(height,width)平均化为一个数据
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(10,activation='softmax'))
print(model.summary())
model.compile(optimizer='adam', loss = 'sparse_categorical_crossentropy',metrics= ['acc'])
history = model.fit(train_images, train_labels, epochs=30, validation_data=(test_images,test_labels))

print(history.history.keys()) #dict_leys(['loss','acc','val_loss','val_acc'])

plt.rcParams['font.sans-serif'] = ['SimHei'] #可以在plt绘图过程中中文无法显示的问题
plt.plot(history.epoch, history.history.get('acc'), label = 'acc')
plt.plot(history.epoch, history.history.get('val_acc'),label = 'val_acc')

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

plt.legend() #显示图例，如果注释该行，即使设置了图例仍然不显示
plt.show()  # 显示图片，如果注释该行，即使设置了图片仍不显示
#观看图像可以发现，对train数据拟合效果不是很好，因为正确率不高，对test则是过拟合了，正确率先升后降，所以我们可以增大网络的深度，可以加入dropout层

结果如图4-4所示

图4-4

点击查看代码

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

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
#train_images（60000，28，28）  test_images (10000,28,28)
# (个数，高，宽)
#扩张其维度 (60000,28,28,1) 第四维是它的通道数  黑白图的通道数是1  这是卷积神经网络的输入形状
#这里也可以使用reshape()方法
train_images = np.expand_dims(train_images, -1)
test_images = np.expand_dims(test_images, -1)

model = tf.keras.Sequential() #顺序模型
model.add(tf.keras.layers.Conv2D(64,(3,3),input_shape=(28,28,1),activation='relu', padding = 'same'))
model.add(tf.keras.layers.Conv2D(64,(3,3), activation='relu',padding='same'))
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Conv2D(128,(3,3), activation='relu',padding='same'))
model.add(tf.keras.layers.Conv2D(128,(3,3), activation='relu',padding='same'))
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Dropout(0.5))

model.add(tf.keras.layers.Conv2D(256,(3,3), activation='relu',padding='same'))
model.add(tf.keras.layers.Conv2D(256,(3,3), activation='relu',padding='same'))
model.add(tf.keras.layers.MaxPooling2D())
model.add(tf.keras.layers.Dropout(0.5))


model.add(tf.keras.layers.Conv2D(512,(3,3), activation='relu',padding='same'))
model.add(tf.keras.layers.Conv2D(512,(3,3), activation='relu',padding='same'))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(256,activation='relu'))
model.add(tf.keras.layers.Dense(10,activation='softmax'))

model.compile(optimizer='adam', loss = 'sparse_categorical_crossentropy',metrics= ['acc'])
history = model.fit(train_images, train_labels, epochs=30, validation_data=(test_images,test_labels))

print(history.history.keys()) #dict_leys(['loss','acc','val_loss','val_acc'])
plt.rcParams['font.sans-serif'] = ['SimHei'] #可以在plt绘图过程中中文无法显示的问题
plt.plot(history.epoch, history.history.get('acc'), label = 'acc')
plt.plot(history.epoch, history.history.get('val_acc'),label = 'val_acc')

plt.plot(history.epoch,history.history.get('loss'), label = 'loss')
plt.plot(history.epoch, history.history.get('val_loss'), label = 'val_loss')
plt.legend() #显示图例，如果注释该行，即使设置了图例仍然不显示
plt.show()  # 显示图片，如果注释该行，即使设置了图片仍不显示

图4-5
实际对fashion mnist进行卷积操作不需要这么多层，这里只是为了说明，当层数增加时，有利于准确率的提高。