服裝數(shù)據(jù)集

服裝數(shù)據(jù)集和MNIST數(shù)據(jù)集很像，有需要的可以查看教程《MNIST數(shù)據(jù)集》，包含70000個(gè)灰度圖，每個(gè)圖片28 x 28像素。

時(shí)裝數(shù)據(jù)集

在這里將使用60000張圖片進(jìn)行訓(xùn)練，使用10000張圖片進(jìn)行評估，可以直接使用Keras進(jìn)行加載。

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

所有的圖片可分為10個(gè)種類：

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

數(shù)據(jù)預(yù)處理：

在將數(shù)據(jù)送入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，需要對數(shù)據(jù)進(jìn)行預(yù)處理，查看一張訓(xùn)練的圖片，像素值的分布范圍為[0, 255]

鞋子

對數(shù)據(jù)進(jìn)行歸一化處理：

train_images = train_images / 255.0test_images = test_images / 255.0

為了驗(yàn)證數(shù)據(jù)的正確性，展示前25張圖片以及圖片的分類：

服裝

建立模型

神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模塊就是層(Layer)，層會從傳遞的數(shù)據(jù)中提取特征，這些特征對問題的解決很有幫助。

很多深度學(xué)習(xí)都是由一系列簡單的層串聯(lián)而成，大部分的層比如Dense，在訓(xùn)練過程中有可學(xué)習(xí)的參數(shù)。

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

Flatten層將二維(28 x 28)的圖片轉(zhuǎn)化為一維的數(shù)組，這一層沒有參數(shù)可以學(xué)習(xí)，僅僅只是格式化數(shù)據(jù)。

第一個(gè)Dense層有128個(gè)節(jié)點(diǎn)或者說神經(jīng)元，第二個(gè)Dense層返回長度為10的數(shù)組，每個(gè)節(jié)點(diǎn)包含當(dāng)前圖片屬于哪個(gè)分類的得分。

模型編譯

模型需要進(jìn)行三個(gè)設(shè)置：

1. 損失函數(shù) - 這個(gè)主要用于評估模型在訓(xùn)練過程中的準(zhǔn)確性
2. 優(yōu)化器 - 模型如何更新
3. 量度 - 用于監(jiān)測訓(xùn)練和測試步驟

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

填入訓(xùn)練數(shù)據(jù)：

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

評估模型的正確性：

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)print('Test accuracy:', test_acc)

顯示結(jié)果：

Test accuracy: 0.8835999965667725

訓(xùn)練過程輸出：

1875/1875 [==============================] - 1s 523us/step - loss: 0.2379 - accuracy: 0.9110

可以看到測試數(shù)據(jù)的正確性是要略低于訓(xùn)練數(shù)據(jù)的正確性的，這個(gè)訓(xùn)練和測試的差距叫做overfitting（過擬合），過擬合發(fā)生在機(jī)器學(xué)習(xí)模型對于沒有處理過的數(shù)據(jù)表現(xiàn)更差。

預(yù)測

模型訓(xùn)練之后，你可以使用它來對一些圖片進(jìn)行預(yù)測，添加一個(gè)Softmax層將結(jié)果轉(zhuǎn)換為置信度，它更容易被理解

predictions = probability_model.predict(test_images)print(predictions[0])

可以看到第0張測試圖片屬于每個(gè)分類的置信度：

[4.7003473e-07 2.8711662e-09 1.8403462e-08 3.7643213e-09 2.0236126e-08 8.2177273e-04 1.0194674e-06 9.5114678e-02 2.8414237e-07 9.0406173e-01]

第9個(gè)數(shù)據(jù)的置信度最高，通過打印圖片的標(biāo)簽也是9，說明預(yù)測正確。

隨機(jī)選擇一些圖片輸出：

置信度分布

第13張圖片81%的可能性是涼鞋，說明機(jī)器學(xué)習(xí)預(yù)測錯(cuò)誤，它應(yīng)該是跑鞋。

也可以對單張圖片進(jìn)行預(yù)測，雖然是單張圖片，但是Keras仍然需要數(shù)組進(jìn)行傳遞，將圖片添加到集合中。

img = (np.expand_dims(img, 0))

進(jìn)行預(yù)測：

predictions_single = probability_model.predict(img)

總結(jié)

以上就是建立神經(jīng)網(wǎng)絡(luò)的簡單過程，分為數(shù)據(jù)處理、模型的訓(xùn)練、預(yù)測等幾個(gè)步驟。