mnist识别优化——使用新的fashion mnist进行模型训练

今天通过论坛偶然知道，在mnist之后，还出现了一个旨在代替经典mnist数据集的Fashion MNIST，同mnist一样，它也是被用作深度学习程序的“hello world”，而且也是由70k张28*28的图片组成的，它们也被分为10类，有60k被用作训练，10k被用作测试。唯一的区别就是，fashion mnist的十种类别由手写数字换成了服装。这十种类别如下：

'T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat','Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'

设计流程如下：

　　· 首先获取数据集，tensorflow获取fashion mnist的方法和mnist类似，使用keras.datasets.fashion_mnist.load_data()即可

　　· 将数据集划分为训练集和测试集

　　· 由于图片像素值范围是0-255，将数据集进行预处理，把像素值缩放到0到1的范围（即除以255）

　　· 搭建网络模型 （784→128(relu)→10(softmax)），全连接

　　· 编译模型，设计损失函数（对数损失）、优化器(adam)以及训练指标（accuracy）

　　· 训练模型

　　· 评估准确性（测试数据使用matplotlib进行可视化）

 

关于Adam优化器的来源和特点请参考：https://www.jianshu.com/p/aebcaf8af76e

关于matplotlib数据可视化请参考：https://blog.csdn.net/xHibiki/article/details/84866887

 

训练集部分数据可视化如下：

 

一共做了50轮训练，训练开始时的损失和精度如下：

 

 训练完成时的损失和精度如下：

 

 模型在测试集上的表现如下：

 

 选择测试集某张图片的预测可视化结果如下：

 

 程序代码如下：

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

# 导入fashion mnist数据集
fashion_mnist = keras.datasets.fashion_mnist
(train_images,train_labels),(test_images,test_labels) = fashion_mnist.load_data()

# 衣服类别
class_names = ['T-shirt/top','Trouser','Pullover','Dress','Coat','Sandal',
               'Shirt','Sneaker','Bag','Ankle boot']
print(train_images.shape,len(train_labels))
print(test_images.shape,len(test_labels))

# 查看图片
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()

# 预处理数据，将像素值除以255，使其缩放到0到1的范围
train_images = train_images / 255.0
test_images = test_images / 255.0

# 验证数据格式的正确性，显示训练集前25张图像并注明类别
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()

# 搭建网络结构
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28,28)),
    keras.layers.Dense(128,activation='relu'),
    keras.layers.Dense(10,activation='softmax')
])

# 设置损失函数、优化器及训练指标
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 训练模型
model.fit(train_images,train_labels,epochs=50)

# 模型评估
test_loss,test_acc=model.evaluate(test_images,test_labels,verbose=2)
print('/nTest accuracy:',test_acc)

# 选择测试集中的图像进行预测
predictions=model.predict(test_images)

# 查看第一个预测
print("预测结果：",np.argmax(predictions[0]))
# 将正确标签打印出来和预测结果对比
print("真实结果：",test_labels[0])

# 以图形方式查看完整的十个类的预测
def plot_image(i,predictions_array,true_label,img):
    predictions_array,true_label,img=predictions_array,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):
    predictions_array,true_label=predictions_array,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')

i=10
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()