时装类别识别(神经网络实现fashion数据分类)
一、问题描述
时装类别识别
时装类别识别问题是预测一张图片中的时装类别。
数据集:fashionMnist
训练集:60000张时装图片,每张图片是28*28的灰度矩阵,有一个{0,1,…,9}的类标签,表示时装的类别。测试数据:10000张测试数据。
要求:
导入fashionMnist数据。
设计神经网络算法,完成时装类别的预测问题。
上机报告中应写出遇到问题和解决方法。
注意:fashionMnist数据集的导入,会遇到一些问题,自主尝试解决。
时装类别识别问题是预测一张图片中的时装类别。
数据集:fashionMnist
训练集:60000张时装图片,每张图片是28*28的灰度矩阵,有一个{0,1,…,9}的类标签,表示时装的类别。测试数据:10000张测试数据。
二、实验目的
设计神经网络算法,完成时装类别的预测问题。
三、实验内容
3.1数据导入
import tensorflow as tf
from tensorflow import kerasimport numpy as np
import matplotlib.pyplot as pltclass_names=['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat','Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
3.2数据预处理
在训练网络之前,必须对数据进行预处理。如果检查训练集中的第个六图像,会看到像素值处于 0 到 255 之间。
plt.figure()
plt.imshow(train_images[5])
plt.colorbar()
plt.grid(False)
plt.show()
将这些值缩小至 0 到 1 之间,然后将其馈送到神经网络模型。为此,请将这些值除以 255。接下里以相同的方式对训练集和测试集进行预处理,并且展示出来。
train_images = train_images / 255.0
test_images = test_images / 255.0
plt.figure(figsize=(10,10))
# 画出25个图片,展示
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()
3.3算法描述
神经网络分类算法是模型假设是一个含有n个输入 和k个输出的网络结构, k元交叉熵为目标函数的经验损失最小化算法。
神经网络的基本组成部分是层。层会从向其馈送的数据中提取表示形式。大多数深度学习都包括将简单的层链接在一起。大多数层(如 tf.keras.layers.Dense)都具有在训练期间才会学习的参数。
该网络的第一层 tf.keras.layers.Flatten 将图像格式从二维数组(28 x 28 像素)转换成一维数组(28 x 28 = 784 像素)。将该层视为图像中未堆叠的像素行并将其排列起来。该层没有要学习的参数,它只会重新格式化数据。
展平像素后,网络会包括两个 tf.keras.layers.Dense 层的序列。它们是密集连接或全连接神经层。第一个 Dense 层有 128 个节点(或神经元)。第二个(也是最后一个)层会返回一个长度为 10 的数组。每个节点都包含一个得分,用来表示当前图像属于 10 个类中的哪一类。
model = keras.Sequential([keras.layers.Flatten(input_shape=(28, 28)), #输入图像的像素keras.layers.Dense(128, activation='relu'),# 计算参数 activation 激励函数 relu过滤>0keras.layers.Dense(10) #数据集服装10分类 softmax选出最大
])# 神经网络初始是采用的都是随机参数
# 通过损失函数评价训练模型 通过优化函数优化模型参数
# metrics 用于监控训练和测试步骤
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])
# 训练
model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
3.4主要代码(完整代码)
#首先我们需哟引入我们需要的工具模块
import tensorflow as tf
from tensorflow import keras
# 引入数据分析工具和画图工具
import numpy as np
import matplotlib.pyplot as pltfrom main import predictions
# 画图函数
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)# 预测对了,显示蓝色;错了显示红色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)# 画图函数
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')# 导入数据
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']
plt.figure()
plt.imshow(train_images[5])
plt.colorbar()
plt.grid(False)
plt.show()train_images = train_images / 255.0
test_images = test_images / 255.0
plt.figure(figsize=(10,10))
# 画出25个图片,展示
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()
# 序贯模型(Sequential):单输入单输出,一条路通到底,层与层之间只有相邻关系,没有跨层连接。这种模型编译速度快,操作也比较简单
model = keras.Sequential([keras.layers.Flatten(input_shape=(28, 28)), #输入图像的像素keras.layers.Dense(128, activation='relu'),# 计算参数 activation 激励函数 relu过滤>0keras.layers.Dense(10) #数据集服装10分类 softmax选出最大
])
# 神经网络初始是采用的都是随机参数
# 通过损失函数评价训练模型 通过优化函数优化模型参数
# metrics 用于监控训练和测试步骤
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])
# 训练
model.fit(train_images, train_labels, epochs=10)
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)print('\nTest accuracy:', test_acc)
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))# 展示运算的结果
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()
四、实验结果及分析
蓝色表示预测正确,红色表示预测错误。最终训练出的模型达到88%。
五、遇到的问题和解决方法
1.导入图片
一开始导入代码如下:
train_image = "D:\pythonProject\MachineLearning\homework\homework6\data\train-labels-idx1-ubyte\train-labels.idx1-ubyte"
test_image = "D:\pythonProject\MachineLearning\homework\homework6\data\train-labels-idx1-ubyte"
train_label = "D:/PyCharm/Project/machine_learning/machine_learning/homework/week13/train-labels-idx1-ubyte"
test_label = "D:\pythonProject\MachineLearning\homework\homework6\data\train-labels-idx1-ubyte"
一直出现错误。
后来采用在线下载导入。
导入数据
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
资料获取
1.关注微信公众号:汪程序员,回复26121600,即可获取
2.https://download.csdn.net/download/m0_61504367/85620097
时装类别识别(神经网络实现fashion数据分类)相关推荐
- 神经网络隐藏层个数怎么确定_含有一个隐藏层的神经网络对平面数据分类python实现(吴恩达深度学习课程1第3周作业)...
含有一个隐藏层的神经网络对平面数据分类python实现(吴恩达深度学习课程1第3周作业): ''' 题目: 建立只有一个隐藏层的神经网络, 对于给定的一个类似于花朵的图案数据, 里面有红色(y=0)和 ...
- 基于pynq的数字识别神经网络加速器设计
文章目录 基于pynq的数字识别神经网络加速器设计 软件部分 1. 全连接神经网络: 2. 卷积神经网络搭建: 3. 文件格式转换: 硬件部分 1. MNIST的硬件实现思路 2. 代码编写与硬件综合 ...
- 基于神经网络的文字识别,神经网络如何识别图像
ocr文字识别系统 . OCR软件OCR(OpticalCharacterRecognition)软件是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗.亮的模式确定其形状,然后用字符 ...
- 基于神经网络的人脸识别,神经网络实现人脸识别
深度学习是怎么识别人脸的 深度学习是机器学习研究中的一个新的领域,其动机在于建立.模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据. 卷积神经网络(CNN)局部连接传统的神经网络是全连接,即 ...
- 卷积神经网络表情识别,神经网络表情识别
1.如何通过人工神经网络实现图像识别 人工神经网络(Artificial Neural Networks)(简称ANN)系统从20 世纪40 年代末诞生至今仅短短半个多世纪,但由于他具有信息的分布存储 ...
- 基于神经网络的数字识别,神经网络语音识别原理
脉冲神经网络的简介 脉冲神经网络(SNN-SpikingNeuronNetworks)经常被誉为第三代人工神经网络.第一代神经网络是感知器,它是一个简单的神经元模型并且只能处理二进制数据. 第二代神经 ...
- 神经网络如何对图片进行识别,神经网络生成图片
如何把模糊图片转为高清 图片分辨率太低,会影响图片的质量.如何把模糊图片转为高清呢? 使用工具:嗨格式图片无损放大器这是一款可以根据我们图像的缺陷找到与之对应的解决办法,通过AI智能技术,可以让图像变 ...
- Pytorch入门练习2-kaggle手写字识别神经网络(CNN)实现
目录 数据预处理 自定义数据集 构建网络结构 对卷积神经网络进行训练和评估 对数据进行预测 保存预测数据,提交代码 SNN由于无法考虑到图片数据的维度关系,在预测精度上会被限制,本章我们采用CNN卷积 ...
- python数字识别关键技术_用Python从零开始设计数字图片识别神经网络--搭建基本架构...
从本节开始,我们用python把前几节讲解的神经网络原理实现出来.在最开始时,我们直接调用Kera框架,快速的构建一个能识别数字图片的神经网络,从本节开始,我们自己用代码将整个神经网络重新实现一遍,只 ...
最新文章
- tree类型题目需要用到的头文件tree.h
- 独家 | 在机器学习中利用统计插补来处理缺失值(附代码)
- Linux arm9 设置中断向量表,STM32学习笔记之中断向量表,MDK程序启动分析
- P1207 双重回文数
- mysql 中datetime_MySQL中Datetime与Timestamp
- [BUUCTF]pwn - wustctf2020_easyfast (Use After Free)
- python字符串的表示形式_python - 如何为类对象创建自定义字符串表示形式?_class_酷徒编程知识库...
- jQuery-DOM操作
- Arduino M0 的一个坑(2015-12-25)
- 8080端口被占用的解决办法
- 微信文件没下载过期了
- 工业机器人cloos_工业机器人的技术发展及其应用
- APP性能测试——内存测试
- Troubleshooting: WAITED TOO LONG FOR A ROW CACHE ENQUEUE LOCK!
- tomcat启动后无法访问到8080页面的原因
- VUE实现页面局部刷新
- 创建自己的RSS服务——debian docker TinyTinyRSS搭建
- uniapp公共测试证书签名
- BeautifulSoup基础学习笔记
- 计算机excel按F4是那个公式,Excel中F4有哪些功能 Excel如何巧妙使用F4
热门文章
- STM32开发实例 基于STM32单片机的老人看护系统
- java比较两个word差异_[转载]java在线比较两个word文件
- java f3查看源码报错,Java学习笔记4
- IEEE论文提交过程中的Errors: Font Helvetica is not embedded
- Linux(一)操作系统基础知识
- 相恨见晚的office办公神器(不坑盒子/打工人Excel插件2023年最新版)
- 中小学理科试验仿真软件
- html中籍贯该怎么写啊,英文简历中的籍贯怎么写
- Ubuntu18.04实时内核补丁(realtime kernel,Preempt_rt)的安装
- Lambda And Stream