from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
print(tf.__version__)

2.0.0

导入Fashion MNIST 数据集

数据集包含70000灰度图片，10个分类
每张图片的像素为28*28
60000张图片作为训练集，10000张图片作为测试机

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

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

train_images.shape

(60000, 28, 28)

len(train_labels)

train_labels

array([9, 0, 0, ..., 3, 0, 5], dtype=uint8)

test_images.shape

(10000, 28, 28)

len(test_labels)

plt.figure()
plt.imshow(train_images[0])
plt.colorbar()  # 颜色渐变条
plt.grid(False)  # 不添加网格线
plt.show()

数据预处理。图片的像素值范围在0-255，为了使输入数据值在0-1之间，将原始值除以255.0

train_images = train_images / 255.0
test_images = test_images / 255.0

plt.figure(figsize=(10,10))
for i in range(25):plt.subplot(5,5,i+1)  # 将图片划分为5行5列# 控制每个图片的边框刻度plt.xticks([])plt.yticks([])plt.imshow(train_images[i], cmap=plt.cm.binary)  # 黑白图片plt.xlabel(class_names[train_labels[i]])
plt.show()

# 建立网络架构
model = keras.Sequential([keras.layers.Flatten(input_shape=(28, 28)),  # 输入数据向量化keras.layers.Dense(128, activation='relu'),  # 添加全连接层  keras.layers.Dense(10, activation='softmax')
])

# 定义正则化、损失函数
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

model.fit(train_images, train_labels, epochs=10)  # 训练网络

Train on 60000 samples
Epoch 1/10
60000/60000 [==============================] - 9s 149us/sample - loss: 0.4946 - accuracy: 0.8247
Epoch 2/10
60000/60000 [==============================] - 7s 116us/sample - loss: 0.3722 - accuracy: 0.8654
Epoch 3/10
60000/60000 [==============================] - 7s 114us/sample - loss: 0.3353 - accuracy: 0.8776
Epoch 4/10
60000/60000 [==============================] - 7s 115us/sample - loss: 0.3116 - accuracy: 0.8846
Epoch 5/10
60000/60000 [==============================] - 8s 126us/sample - loss: 0.2951 - accuracy: 0.8914
Epoch 6/10
60000/60000 [==============================] - 7s 111us/sample - loss: 0.2809 - accuracy: 0.8975
Epoch 7/10
60000/60000 [==============================] - 7s 110us/sample - loss: 0.2716 - accuracy: 0.8988
Epoch 8/10
60000/60000 [==============================] - 7s 118us/sample - loss: 0.2560 - accuracy: 0.9050
Epoch 9/10
60000/60000 [==============================] - 7s 122us/sample - loss: 0.2456 - accuracy: 0.9077
Epoch 10/10
60000/60000 [==============================] - 9s 143us/sample - loss: 0.2385 - accuracy: 0.9110<tensorflow.python.keras.callbacks.History at 0x29df5dfa780>

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

10000/1 - 1s - loss: 0.3204 - accuracy: 0.8783
Test accuracy: 0.8783

predictions = model.predict(test_images)
predictions[0]

array([1.2773737e-08, 1.6460965e-09, 1.2608050e-08, 2.2927955e-10,8.7082235e-09, 1.5253473e-04, 7.7240850e-07, 5.0626141e-03,1.9821150e-07, 9.9478382e-01], dtype=float32)

np.argmax(predictions[0])

test_labels[0]

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)# 预测正确标记为蓝色，错误则为红色if predicted_label == true_label:color = 'blue'else:color = 'red'# 横轴上分别为 预测的分类名，预测分类的可能性，正确分类名 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, train_labels):predictions_array, true_label = predictions_array, train_labels[i]plt.grid(False)plt.xticks(range(10))plt.yticks([])# 直方图横坐标0-9，纵坐标对应每个分类的得分thisplot = plt.bar(range(10), predictions_array, color="#777777")plt.ylim([0, 1])predicted_label = np.argmax(predictions_array)  # 预测的分类标签thisplot[predicted_label].set_color('red')  # 预测分类的纵坐标标注为红色thisplot[true_label].set_color('blue') # 正确分类的纵坐标标注为蓝色

# 第一张图片的预测结果
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()

# 第13张图片的预测结果
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()

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)  # 每个数据预测结果的第一张图片plot_image(i, predictions[i], test_labels, test_images)plt.subplot(num_rows, 2*num_cols, 2*i+2)  # 每个数据预测结果的第一张图片plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()  # 会自动调整子图参数，使之填充整个图像区域
plt.show()

img = test_images[1]
print(img.shape)

(28, 28)

# 图片添加进空的数据集，这个数据集只有一个数据
img = (np.expand_dims(img,0))
print(img.shape)

(1, 28, 28)

predictions_single = model.predict(img)
print(predictions_single)

[[8.1730264e-05 7.7724135e-16 9.9977332e-01 2.8166874e-10 1.3929847e-041.6422478e-14 5.6340227e-06 3.3765748e-19 8.4485353e-12 6.8645493e-16]]

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

np.argmax(predictions_single[0])

服装图片分类（tensorflow实现）相关推荐

【深度学习】(5) 简单网络，案例：服装图片分类，附python完整代码
1. 数据获取使用系统内部的服装数据集构建神经网络.首先导入需要的库文件,x和y中保存训练集的图像和目标.x_test和y_test中保存测试集需要的图像和目标.(x, y)及(x_test, y_ ...
【tensorflow 深度学习】8.训练图片分类模型
1.训练图片分类模型的三种方法 (1).从无到有,先确定好算法框架,准备好需要训练的数据集,从头开始训练,参数一开始也是初始化的随机值,一个批次一个批次地进行训练. (2).准备好已经训练好的模型,权 ...
【经典算法必读】图片分类系列之（一）: 你真的了解图片分类(Image Classification)吗？...
欢迎关注我的个人微信公众号:小纸屑图片分类是机器学习经典问题,也是深度学习声名鹊起之作.正是2012年AlexNet在图片分类竞赛ImageNet出乎寻常的性能,使得深度学习一夜爆红,方有今天人工智 ...
细粒度图像分类_1.1、图片分类
记录图像分类论文资源列表. 图片分类任务可以分为:粗粒度图片分类.细粒度图片分类. 2012 AlexNet :ImageNet Classification with Deep Convolutio ...
宠物狗图片分类之迁移学习代码笔记
五月两场 | NVIDIA DLI 深度学习入门课程 5月19日/5月26日一天密集式学习快速带你入门阅读全文> 正文共3152个字,预计阅读时间8分钟. 本文主要是总结之前零零散散抽出时间 ...
Python+sklearn使用支持向量机算法实现数字图片分类
关于支持向量机的理论知识,大家可以查阅机器学习之类的书籍或网上资源,本文主要介绍如何使用Python扩展库sklearn中的支持向量机实现数字图片分类. 1.首先编写代码生成一定数量的含有数字的图片 ...
深度学习之神经网络核心原理与算法-caffekeras框架图片分类
之前我们在使用cnn做图片分类的时候使用了CIFAR-10数据集其他框架对于CIFAR-10的图片分类是怎么做的来与TensorFlow做对比. Caffe Keras 安装官方安装文档: ht ...
AI challenger 2018图片分类比赛—农作物病害检测
1 赛题简介对近5万张按"物种-病害-程度"分成61类的植物叶片照片进行分类比赛地址:AI challenger比赛-农作物病害检测 2 框架我使用的是Keras,以Tens ...
深度学习图片分类实战学习
开始记录学习深度学习的点点滴滴深度学习图片分类实战学习前言一.深度学习二.使用步骤 1. 自建网络模型 2. 进行深度学习的学习迁移注意事项前言随着人工智能的不断发展,这门技术也越来越重 ...

服装图片分类（tensorflow实现）

导入Fashion MNIST 数据集

服装图片分类（tensorflow实现）相关推荐

最新文章

热门文章