源代码/数据集已上传到 Github - tensorflow2-docs-zh
TF2.0 TensorFlow 2 / 2.0 中文文档 - 图像分类 Classify images
主要内容：使用神经网络对服饰图片进行分类。
这篇文档使用高级APItf.keras在TensorFlow中搭建和训练模型。
1 |
|
使用 Fashion MNIST 数据集
Fashion Mnist数据集由70,000张黑白图片构成，每张图片大小为 28x28，由十类服饰图片构成。另一个MNIST数据集是手写数字，Fashion MNIST 与之相比更有挑战性，适合用来验证算法。
我们使用60,000张图片作为训练集，10,000张图片作为测试集。这个数据集可以从 TensorFlow 中直接获取，返回值为numpy数组。
1 | fashion_mnist = keras.datasets.fashion_mnist |
图片大小28x28，每个像素值取值范围0-255。标签是整数，取值范围0-9，与实际的服饰类别对应关系如下。
| 标签 | 类别 | 标签 | 类别 | 标签 | 类别 | 标签 | 类别 |
|---|---|---|---|---|---|---|---|
| 0 | T-shirt/top | 3 | Dress | 6 | Shirt | 9 | Ankle boot |
| 1 | Trouser | 4 | Coat | 7 | Sneaker | ||
| 2 | Pullover | 5 | Sandal | 8 | Bag |
数据格式
1 | train_images.shape |
预处理
训练之前，我们需要对数据进行预处理。图片的每个像素值在0-255之间，需要转为0-1。训练集和测试集都需要经过相同的处理。
1 | train_images = train_images / 255.0 |
搭建模型
神经网络的基本构成是网络层(layer)，大部分深度学习网络都由多个简单的 layers 构成。
1 | model = keras.Sequential([ |
网络的第一层，Flatten将输入从28x28 的二维数组转为784的一维数组，这一层的作用仅仅是将每一行值平铺在一行。
接下来是2层Dense，即全连接层(fully connected, FC)，第一层Dense有128个神经元。第二层有10个神经元，经过 softmax 后，返回了和为1长度为10的概率数组，每一个数分别代表当前图片属于分类0-9的概率。
编译模型
模型准备训练前，在模型编译(Compile)时还需要设置一些参数。
- Loss function - 损失函数，训练时评估模型的正确率，希望最小化这个函数，往正确的方向训练模型。
- Optimizer - 优化器算法，更新模型参数的算法。
- Metrics - 指标，用来监视训练和测试步数，下面的例子中使用
accuracy，即图片被正确分类的比例。
1 | model.compile(optimizer='adam', |
训练模型
训练神经网络，通常有以下几个步骤。
- 传入训练数据，
train_images和train_labels。 - 训练模型去关联图片和标签。
- 模型对测试集
test_images作预测，并用test_labels验证预测结果。
使用model.fit函数开始训练。
1 | model.fit(train_images, train_labels, epochs=10) |
1 | Train on 60000 samples |
最终达到了88%左右的准确率。
评估准确率
接下来，看看在测试集中表现如何？
1 | test_loss, test_acc = model.evaluate(test_images, test_labels) |
测试集的准确率低于训练集，训练集和测试集准确率之间的差距代表模型_过拟合_(overfitting)。即对于训练中没有见过的新数据，模型表现差。
预测
使用predict函数进行预测。
1 | predictions = model.predict(test_images) |
看下第一张图片的预测结果。
1 | array([1.06-05, 5.06-12, 8.44-08, 4.09-09, 2.87-07, 2.28-04, |
每次预测返回长度为10的数组，代表属于每一种分类的可能性，最大可能性的label是9。测试集中的数据也是9，预测正确。
1 | np.argmax(predictions[0]) |
返回文档首页
附 推荐
上一篇 « TensorFlow 2 / 2.0 中文文档 下一篇 » TensorFlow 2 中文文档 - IMDB 文本分类
