【TensorFlow2.x 實(shí)踐】服裝分類

前言

基于TensorFlow2.x的框架，使用PYthon編程語言，實(shí)現(xiàn)對服裝圖像進(jìn)行分類。

思路流程：

1. 導(dǎo)入 Fashion MNIST數(shù)據(jù)1. 集探索數(shù)據(jù)1. 預(yù)處理數(shù)據(jù)1. 建立模型（搭建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、編譯模型）1. 訓(xùn)練模型（把數(shù)據(jù)輸入模型、評估準(zhǔn)確性、作出預(yù)測、驗(yàn)證預(yù)測） ?1. 使用訓(xùn)練有素的模型

一、Fashion MNIST數(shù)據(jù)集

Fashion MNIST數(shù)據(jù)集包括一些運(yùn)動鞋和襯衫等衣物；我們從下圖中先看一下：

給不同類別的?運(yùn)動鞋和襯衫等衣物，進(jìn)行索引分類；每個(gè)圖像都映射到一個(gè)標(biāo)簽。

不同的類別，對應(yīng)其索引，先把它們存儲在此處以供以后在繪制圖像時(shí)使用：

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

二、探索數(shù)據(jù)

在訓(xùn)練模型之前，我們可以探索數(shù)據(jù)集的格式。比如：訓(xùn)練集中有60,000張圖像，每個(gè)圖像表示為28 x 28像素。訓(xùn)練集中有60,000個(gè)標(biāo)簽；每個(gè)標(biāo)簽都是0到9之間的整數(shù)。

測試集中有10,000張圖像。同樣，每個(gè)圖像都表示為28 x 28像素。測試集包含10,000個(gè)圖像標(biāo)簽。

探索數(shù)據(jù)代碼：

運(yùn)行結(jié)果：

3、預(yù)處理數(shù)據(jù)

在訓(xùn)練網(wǎng)絡(luò)之前，必須對數(shù)據(jù)進(jìn)行預(yù)處理。如果檢查訓(xùn)練集中的第一張圖像，將看到像素值落在0到255的范圍內(nèi)：

plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()

查看第一張圖像（像素值落在0到255），運(yùn)行結(jié)果：

將這些值縮放到0到1的范圍，然后再將其輸入神經(jīng)網(wǎng)絡(luò)模型。為此，將值除以255。以相同的方式預(yù)處理訓(xùn)練集和測試集非常重要：

train_images?=?train_images?/?255.0
test_images?=?test_images?/?255.0

為了驗(yàn)證數(shù)據(jù)的格式正確，并且已經(jīng)準(zhǔn)備好構(gòu)建和訓(xùn)練網(wǎng)絡(luò)，讓我們顯示訓(xùn)練集中的前25張圖像，并在每張圖像下方顯示類別名稱。

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()

運(yùn)行結(jié)果：可以看到?訓(xùn)練集中的前25張圖像

四、建立模型

建立神經(jīng)網(wǎng)絡(luò)需要配置模型的各層（圖層），然后編譯模型。

1）搭建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)的基本組成部分是圖層?。圖層（神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)）將輸入到圖層中的數(shù)據(jù)進(jìn)行提取特征。

深度學(xué)習(xí)的大部分內(nèi)容是將簡單的層鏈接在一起。大多數(shù)層（例如?）具有在訓(xùn)練期間學(xué)習(xí)的參數(shù)。

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

此網(wǎng)絡(luò)的第一層將圖像的格式從二維數(shù)組（28 x 28像素）轉(zhuǎn)換為一維數(shù)組（28 * 28 = 784像素）。可以將這一層看作是堆疊圖像中的像素行并將它們排成一行。該層沒有學(xué)習(xí)參數(shù)。它只會重新格式化數(shù)據(jù)。

像素展平后，網(wǎng)絡(luò)由兩個(gè)層序列組成。這些是緊密連接或完全連接的神經(jīng)層。第一Dense層具有128個(gè)節(jié)點(diǎn)（或神經(jīng)元）。第二層（也是最后一層）返回長度為10的logits數(shù)組。每個(gè)節(jié)點(diǎn)包含一個(gè)得分，該得分指示當(dāng)前圖像屬于10個(gè)類之一。

2）編譯模型

在準(zhǔn)備訓(xùn)練模型之前，需要進(jìn)行一些其他設(shè)置。這些是在模型的編譯步驟中添加的：

• 損失函數(shù)?-衡量訓(xùn)練期間模型的準(zhǔn)確性。希望最小化此功能，以在正確的方向上“引導(dǎo)”模型。- 優(yōu)化器?-這是基于模型看到的數(shù)據(jù)及其損失函數(shù)來更新模型的方式。- 指標(biāo)?-用于監(jiān)視培訓(xùn)和測試步驟。以下示例使用precision?，即正確分類的圖像比例。

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

五、訓(xùn)練模型

訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型需要執(zhí)行以下步驟：

1. 將訓(xùn)練數(shù)據(jù)輸入模型。在此示例中，訓(xùn)練數(shù)據(jù)在train_images和train_labels數(shù)組中。1. 訓(xùn)練過程中該模型會學(xué)習(xí)關(guān)聯(lián)圖像和標(biāo)簽。（找到正確的對應(yīng)關(guān)系，比如a圖片，對應(yīng)a標(biāo)簽，而不是對應(yīng)c標(biāo)簽）1. 使用訓(xùn)練好后的模型對測試集進(jìn)行預(yù)測。（在本示例中為test_images數(shù)組）1. 驗(yàn)證預(yù)測是否與test_labels數(shù)組中的標(biāo)簽匹配。

1）把數(shù)據(jù)輸入模型進(jìn)行訓(xùn)練

要開始訓(xùn)練，請調(diào)用model.fit方法：

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

這里訓(xùn)練過程中會迭代10次；

第1次訓(xùn)練：

第2次訓(xùn)練：

..........................3、4、5、6、7、8、9...................訓(xùn)練

第10次訓(xùn)練：

模型訓(xùn)練時(shí)，會顯示損失和準(zhǔn)確性指標(biāo)。該模型在訓(xùn)練數(shù)據(jù)上達(dá)到約0.91（或91％）的精度。

2）評估準(zhǔn)確性

比較模型在測試數(shù)據(jù)集上的表現(xiàn)：

test_loss,?test_acc?=?model.evaluate(test_images,??test_labels,?verbose=2)

print('\nTest?accuracy:',?test_acc)

運(yùn)行結(jié)果：

測試數(shù)據(jù)集的準(zhǔn)確性略低于訓(xùn)練數(shù)據(jù)集的準(zhǔn)確性。訓(xùn)練準(zhǔn)確性和測試準(zhǔn)確性之間的差距代表過度擬合?。當(dāng)機(jī)器學(xué)習(xí)模型在新的，以前看不見的輸入上的表現(xiàn)比訓(xùn)練數(shù)據(jù)上的表現(xiàn)差時(shí)，就會發(fā)生過度擬合。過度擬合的模型“記憶”訓(xùn)練數(shù)據(jù)集中的噪聲和細(xì)節(jié)，從而對新數(shù)據(jù)的模型性能產(chǎn)生負(fù)面影響。

解決方案：請參見以下內(nèi)容：（有興趣可以看一下）

3）作出預(yù)測

通過訓(xùn)練模型，可以使用它來預(yù)測某些圖像。模型的線性輸出?。附加一個(gè)softmax層，以將logit轉(zhuǎn)換為更容易解釋的概率。

probability_model?=?tf.keras.Sequential([model,??tf.keras.layers.Softmax()])
predictions?=?probability_model.predict(test_images)

在這里，模型已經(jīng)預(yù)測了測試集中每個(gè)圖像的標(biāo)簽。讓我們看一下第一個(gè)預(yù)測：

predictions[0]

運(yùn)行結(jié)果：

預(yù)測是由10個(gè)數(shù)字組成的數(shù)組。它們代表模型對圖像對應(yīng)于10種不同服裝中的每一種的“置信度”。可以看到哪個(gè)標(biāo)簽的置信度最高：np.argmax(predictions[0])

輸出是 9

因此，模型最有把握認(rèn)為該圖像是短靴/腳踝靴（class_names[9]?）；檢查測試標(biāo)簽表明此分類是正確的：test_labels[0]

輸出也是 9

4）驗(yàn)證預(yù)測

通過訓(xùn)練模型，可以使用它來預(yù)測某些圖像。讓我們看一下第0張圖像，預(yù)測和預(yù)測數(shù)組。正確的預(yù)測標(biāo)簽為藍(lán)色，錯(cuò)誤的預(yù)測標(biāo)簽為紅色。該數(shù)字給出了預(yù)測標(biāo)簽的百分比（滿分為100）。

正確的預(yù)測標(biāo)簽為藍(lán)色：

i?=?0
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()

運(yùn)行結(jié)果：

錯(cuò)誤的預(yù)測標(biāo)簽為紅色：

i?=?12
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()

運(yùn)行結(jié)果：

繪制一些帶有預(yù)測的圖像：

#?繪制一些帶有預(yù)測的圖像
#?繪制前X張測試圖像，它們的預(yù)測標(biāo)簽和真實(shí)標(biāo)簽。
#?將正確的預(yù)測顏色設(shè)置為藍(lán)色，將不正確的預(yù)測顏色設(shè)置為紅色。
num_rows?=?5
num_cols?=?3
num_images?=?num_rows*num_cols
plt.figure(figsize=(2*2*num_cols,?2*num_rows))
for?i?in?range(num_images):
??plt.subplot(num_rows,?2*num_cols,?2*i+1)
??plot_image(i,?predictions[i],?test_labels,?test_images)
??plt.subplot(num_rows,?2*num_cols,?2*i+2)
??plot_value_array(i,?predictions[i],?test_labels)
plt.tight_layout()
plt.show()

六、使用訓(xùn)練有素的模型

使用經(jīng)過訓(xùn)練的模型對單個(gè)圖像進(jìn)行預(yù)測；先挑一張圖片，比如test_images[0]，它是這樣的：

它是短靴/腳踝靴，對應(yīng)標(biāo)簽是9。下面使用模型進(jìn)行預(yù)測：

#?【6?使用訓(xùn)練有素的模型】
#?使用經(jīng)過訓(xùn)練的模型對單個(gè)圖像進(jìn)行預(yù)測。
#?從測試數(shù)據(jù)集中獲取圖像。
img?=?test_images[0]

#?將圖像添加到唯一的批處理
img?=?(np.expand_dims(img,0))

#?為該圖像預(yù)測正確的標(biāo)簽：
predictions_single?=?probability_model.predict(img)
print("輸出每一個(gè)標(biāo)簽的把握：",?predictions_single)??#?一共10個(gè)標(biāo)簽，索引從0，1，2到9

plot_value_array(1,?predictions_single[0],?test_labels)
_?=?plt.xticks(range(10),?class_names,?rotation=45)

# keras.Model.predict返回一個(gè)列表列表-數(shù)據(jù)批次中每個(gè)圖像的一個(gè)列表。批量獲取我們（僅）圖像的預(yù)測
print("模型預(yù)測的結(jié)果：",?np.argmax(predictions_single[0]))

運(yùn)行結(jié)果：

我們可以看到有99.6%的把握認(rèn)為是標(biāo)簽9，預(yù)測正確了，能分辨出是短靴/腳踝靴（標(biāo)簽是9）。

七、源代碼：

#?本程序基于TensorFlow訓(xùn)練了一個(gè)神經(jīng)網(wǎng)絡(luò)模型來對運(yùn)動鞋和襯衫等衣物的圖像進(jìn)行分類。
#?使用tf.keras （高級API）在TensorFlow中構(gòu)建和訓(xùn)練模型。

#?TensorFlow?and?tf.keras
import?tensorflow?as?tf
from?tensorflow?import?keras

#?Helper?libraries
import?numpy?as?np
import?matplotlib.pyplot?as?plt

#?查看當(dāng)前tensorflow版本
print("當(dāng)前tensorflow版本",?tf.__version__)

#?【1?導(dǎo)入Fashion?MNIST數(shù)據(jù)集】
'''
加載數(shù)據(jù)集將返回四個(gè)NumPy數(shù)組：
train_images和train_labels數(shù)組是訓(xùn)練集?，即模型用來學(xué)習(xí)的數(shù)據(jù)。
針對測試集?，?test_images和test_labels數(shù)組對模型進(jìn)行測試?
'''
'''
圖像是28x28 NumPy數(shù)組，像素值范圍是0到255。?標(biāo)簽是整數(shù)數(shù)組，范圍是0到9。這些對應(yīng)于圖像表示的衣服類別?：
標(biāo)簽?????類
0?????T恤
1?????褲子
2?????套衫/衛(wèi)衣
3?????連衣裙
4?????外衣/外套
5?????涼鞋
6?????襯衫
7?????運(yùn)動鞋
8?????袋子
9?????短靴/腳踝靴
'''
fashion_mnist?=?keras.datasets.fashion_mnist
(train_images,?train_labels),?(test_images,?test_labels)?=?fashion_mnist.load_data()

#?每個(gè)圖像都映射到一個(gè)標(biāo)簽
class_names?=?['T-shirt/top',?'Trouser',?'Pullover',?'Dress',?'Coat',
???????????????'Sandal',?'Shirt',?'Sneaker',?'Bag',?'Ankle?boot']


#?【2?探索數(shù)據(jù)】
#?在訓(xùn)練模型之前，讓我們探索數(shù)據(jù)集的格式。下圖顯示了訓(xùn)練集中有60,000張圖像，每個(gè)圖像表示為28 x 28像素
print("訓(xùn)練集總圖片數(shù)：",?train_images.shape)

#?訓(xùn)練集中有60,000個(gè)標(biāo)簽
print("訓(xùn)練集中標(biāo)簽數(shù):",?len(train_labels))

#?每個(gè)標(biāo)簽都是0到9之間的整數(shù)
print("標(biāo)簽取值：",?train_labels)

#?測試集中有10,000張圖像。同樣，每個(gè)圖像都表示為28 x 28像素
print("測試集總圖片數(shù)：",?test_images.shape)

#?測試集包含10,000個(gè)圖像標(biāo)簽
print("測試集標(biāo)簽數(shù)：",?len(test_labels))


#?【3?預(yù)處理數(shù)據(jù)】
#?在訓(xùn)練網(wǎng)絡(luò)之前，必須對數(shù)據(jù)進(jìn)行預(yù)處理。如果檢查訓(xùn)練集中的第一張圖像，將看到像素值落在0到255的范圍內(nèi)
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()

#?將這些值縮放到0到1的范圍，然后再將其輸入神經(jīng)網(wǎng)絡(luò)模型。為此，將值除以255。以相同的方式預(yù)處理訓(xùn)練集和測試集非常重要：
train_images?=?train_images?/?255.0
test_images?=?test_images?/?255.0

#為了驗(yàn)證數(shù)據(jù)的格式正確，并且已經(jīng)準(zhǔn)備好構(gòu)建和訓(xùn)練網(wǎng)絡(luò)，讓我們顯示訓(xùn)練集中的前25張圖像，并在每張圖像下方顯示班級名稱。
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()

#?【4?建立模型】
#?建立神經(jīng)網(wǎng)絡(luò)需要配置模型的各層，然后編譯模型
#?搭建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)?神經(jīng)網(wǎng)絡(luò)的基本組成部分是層?。圖層（神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)）從輸入到其中的數(shù)據(jù)中提取表示
#?深度學(xué)習(xí)的大部分內(nèi)容是將簡單的層鏈接在一起。大多數(shù)層（例如tf.keras.layers.Dense ）具有在訓(xùn)練期間學(xué)習(xí)的參數(shù)。
model?=?keras.Sequential([
????keras.layers.Flatten(input_shape=(28,?28)),
????keras.layers.Dense(128,?activation='relu'),
????keras.layers.Dense(10)
])

'''
編譯模型
在準(zhǔn)備訓(xùn)練模型之前，需要進(jìn)行一些其他設(shè)置。這些是在模型的編譯步驟中添加的：
損失函數(shù)?-衡量訓(xùn)練期間模型的準(zhǔn)確性。您希望最小化此功能，以在正確的方向上“引導(dǎo)”模型。
優(yōu)化器?-這是基于模型看到的數(shù)據(jù)及其損失函數(shù)來更新模型的方式。
指標(biāo)?-用于監(jiān)視培訓(xùn)和測試步驟。以下示例使用precision ，即正確分類的圖像比例。
'''
model.compile(optimizer='adam',
??????????????loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
??????????????metrics=['accuracy'])


#?【5?訓(xùn)練模型】
'''
訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型需要執(zhí)行以下步驟：
1.將訓(xùn)練數(shù)據(jù)輸入模型。在此示例中，訓(xùn)練數(shù)據(jù)在train_images和train_labels數(shù)組中。
2.該模型學(xué)習(xí)關(guān)聯(lián)圖像和標(biāo)簽。
3.要求模型對測試集進(jìn)行預(yù)測（在本示例中為test_images數(shù)組）。
4.驗(yàn)證預(yù)測是否與test_labels數(shù)組中的標(biāo)簽匹配。
'''
#?要開始訓(xùn)練，請調(diào)用model.fit方法，之所以這么稱呼是因?yàn)樗鼓Ｐ汀斑m合”訓(xùn)練數(shù)據(jù)：
model.fit(train_images,?train_labels,?epochs=10)

#?比較模型在測試數(shù)據(jù)集上的表現(xiàn)
test_loss,?test_acc?=?model.evaluate(test_images,??test_labels,?verbose=2)
print('\nTest?accuracy:',?test_acc)

#?作出預(yù)測?通過訓(xùn)練模型，您可以使用它來預(yù)測某些圖像。模型的線性輸出logits 。附加一個(gè)softmax層，以將logit轉(zhuǎn)換為更容易解釋的概率。
probability_model?=?tf.keras.Sequential([model,??tf.keras.layers.Softmax()])

predictions?=?probability_model.predict(test_images)

print(predictions[0])

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

#?以圖形方式查看完整的10個(gè)類預(yù)測。
def?plot_image(i,?predictions_array,?true_label,?img):
??true_label,?img?=?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):
??true_label?=?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')

'''驗(yàn)證預(yù)測
通過訓(xùn)練模型，您可以使用它來預(yù)測某些圖像。
讓我們看一下第0張圖像，預(yù)測和預(yù)測數(shù)組。正確的預(yù)測標(biāo)簽為藍(lán)色，錯(cuò)誤的預(yù)測標(biāo)簽為紅色。該數(shù)字給出了預(yù)測標(biāo)簽的百分比（滿分為100）。'''
i?=?0
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()

i?=?12
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()

#?繪制一些帶有預(yù)測的圖像
#?繪制前X張測試圖像，它們的預(yù)測標(biāo)簽和真實(shí)標(biāo)簽。
#?將正確的預(yù)測顏色設(shè)置為藍(lán)色，將不正確的預(yù)測顏色設(shè)置為紅色。
num_rows?=?5
num_cols?=?3
num_images?=?num_rows*num_cols
plt.figure(figsize=(2*2*num_cols,?2*num_rows))
for?i?in?range(num_images):
??plt.subplot(num_rows,?2*num_cols,?2*i+1)
??plot_image(i,?predictions[i],?test_labels,?test_images)
??plt.subplot(num_rows,?2*num_cols,?2*i+2)
??plot_value_array(i,?predictions[i],?test_labels)
plt.tight_layout()
plt.show()

#?【6?使用訓(xùn)練有素的模型】
#?使用經(jīng)過訓(xùn)練的模型對單個(gè)圖像進(jìn)行預(yù)測。
#?從測試數(shù)據(jù)集中獲取圖像。
img?=?test_images[0]

#?將圖像添加到唯一的批處理
img?=?(np.expand_dims(img,0))

#?為該圖像預(yù)測正確的標(biāo)簽：
predictions_single?=?probability_model.predict(img)
print("輸出每一個(gè)標(biāo)簽的把握：",?predictions_single)??#?一共10個(gè)標(biāo)簽，索引從0，1，2到9

plot_value_array(1,?predictions_single[0],?test_labels)
_?=?plt.xticks(range(10),?class_names,?rotation=45)

# keras.Model.predict返回一個(gè)列表列表-數(shù)據(jù)批次中每個(gè)圖像的一個(gè)列表。批量獲取我們（僅）圖像的預(yù)測
print("模型預(yù)測的結(jié)果：",?np.argmax(predictions_single[0]))

希望對你有幫助；

• Python從入門到大師
• Python爬蟲專欄
• 數(shù)據(jù)分析
• 機(jī)器學(xué)習(xí)
• AI基礎(chǔ)

日常收集整理了一批不錯(cuò)的?Python?學(xué)習(xí)資料，有需要的小伙可以自行免費(fèi)領(lǐng)取。

獲取方式如下：公眾號回復(fù)資料。領(lǐng)取Python等系列筆記，項(xiàng)目，書籍，直接套上模板就可以用了。資料包含算法、python、算法小抄、力扣刷題手冊和 C++ 等學(xué)習(xí)資料！