1、导包

#导入TensorFlow和tf.keras

import tensorflow as tf

from tensorflow import keras

# Helper libraries

import numpy as np

import matplotlib.pyplot as plt

2、导入Fashion MNIST数据集

#从 TensorFlow中导入和加载Fashion MNIST数据

fashion_mnist = keras.datasets.fashion_mnist

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

3、指定名称

#每个图像都会被映射到一个标签。由于数据集不包括类名称，请将它们存储在下方，供稍后绘制图像时使用

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',

               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

4、预处理数据

#这些值缩小至 0 到 1 之间，然后将其馈送到神经网络模型

train_images = train_images / 255.0

test_images = test_images / 255.0

5、浏览数据（可选）

#显示训练集中有 60,000 个图像，每个图像由 28 x 28 的像素表示

print(train_images.shape)

#训练集中有 60,000 个标签

print(len(train_labels))

#每个标签都是一个 0 到 9 之间的整数

print(train_labels)

#测试集中有 10,000 个图像。同样，每个图像都由 28x28 个像素表示

print(test_images.shape)

#测试集包含 10,000 个图像标签

print(len(test_labels))
(60000, 28, 28)

60000

[9 0 0 ... 3 0 5]

(10000, 28, 28)

10000

6、检测图像（可选）

#检查训练集中的第一个图像，您会看到像素值处于 0 到 255 之间

plt.figure()

plt.imshow(train_images[0])

plt.colorbar()

plt.grid(False)

plt.show()

#验证数据的格式是否正确，以及是否已准备好构建和训练网络，显示训练集中的前 25 个图像，并在每个图像下方显示类名称

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()

7、构建模型

#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 logits 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)),

    keras.layers.Dense(128, activation='relu'),

    keras.layers.Dense(10)

])

8、编译模型

#损失函数 - 用于测量模型在训练期间的准确率。您会希望最小化此函数，以便将模型“引导”到正确的方向上。

#优化器 - 决定模型如何根据其看到的数据和自身的损失函数进行更新。

#指标 - 用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率

model.compile(optimizer='adam',

              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),

              metrics=['accuracy'])

9、训练模型

训练神经网络模型需要执行以下步骤：

  1. 将训练数据馈送给模型。在本例中，训练数据位于 train_images 和 train_labels 数组中。
  2. 模型学习将图像和标签关联起来。
  3. 要求模型对测试集（在本例中为 test_images 数组）进行预测。
  4. 验证预测是否与 test_labels 数组中的标签相匹配。

向模型馈送数据

#调用 model.fit 方法，这样命名是因为该方法会将模型与训练数据进行“拟合”

model.fit(train_images, train_labels, epochs=10)
Epoch 1/10

1875/1875 [==============================] - 3s 2ms/step - loss: 0.4970 - accuracy: 0.8263

Epoch 2/10

1875/1875 [==============================] - 3s 2ms/step - loss: 0.3764 - accuracy: 0.8646

Epoch 3/10

1875/1875 [==============================] - 3s 2ms/step - loss: 0.3386 - accuracy: 0.8768

Epoch 4/10

1875/1875 [==============================] - 3s 2ms/step - loss: 0.3131 - accuracy: 0.8852

Epoch 5/10

1875/1875 [==============================] - 3s 2ms/step - loss: 0.2979 - accuracy: 0.8905

Epoch 6/10

1875/1875 [==============================] - 3s 2ms/step - loss: 0.2817 - accuracy: 0.8946

Epoch 7/10

1875/1875 [==============================] - 3s 2ms/step - loss: 0.2701 - accuracy: 0.8997

Epoch 8/10

1875/1875 [==============================] - 3s 2ms/step - loss: 0.2584 - accuracy: 0.9039

Epoch 9/10

1875/1875 [==============================] - 3s 1ms/step - loss: 0.2494 - accuracy: 0.9071

Epoch 10/10

1875/1875 [==============================] - 3s 2ms/step - loss: 0.2416 - accuracy: 0.9094

评估准确率

#比较模型在测试集上的表现

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

print('\nTest accuracy:', test_acc)
Test accuracy: 0.8792999982833862

10、进行预测

#进行预测

probability_model = tf.keras.Sequential([model,

                                         tf.keras.layers.Softmax()])

predictions = probability_model.predict(test_images)

#测试第一个预测结果

print(predictions[0])

#找出置信度最大的标签

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

#检查测试标签

print(test_labels[0])


[1.4007558e-08 6.0697776e-09 6.0778667e-08 3.8483901e-08 1.5276806e-08
 2.0785581e-03 2.9759491e-07 5.4935408e-03 5.0426343e-07 9.9242699e-01]
9
9




11、绘制图表




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)

  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):

  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')




12、验证预测结果




#对图像进行检测

#看看第 0 个图像、预测结果和预测数组。正确的预测标签为蓝色，错误的预测标签为红色。数字表示预测标签的百分比（总计为 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()






#看第12个图像

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()






#用模型预测绘制几张图像

# Plot the first X test images, their predicted labels, and the true labels.

# Color correct predictions in blue and incorrect predictions in red.

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()








13、使用训练的模型


使用训练好的模型对单张图片进行预测




#使用训练好的模型对单个图像进行预测

# Grab an image from the test dataset.

img = test_images[1]

print(img.shape)






(28, 28)






#将其添加到列表中

# Add the image to a batch where it's the only member.

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

print(img.shape)






(1, 28, 28)






#预测这个图像的正确标签

predictions_single = probability_model.predict(img)

print(predictions_single)






[[1.0675135e-05 2.4023437e-12 9.9772269e-01 1.3299730e-09 1.2968916e-03

  8.7469149e-14 9.6970733e-04 5.4669354e-19 2.4514609e-11 1.8405429e-12]]






plot_value_array(1, predictions_single[0], test_labels)

_ = plt.xticks(range(10), class_names, rotation=45)







#在批次中获取对我们（唯一）图像的预测
print(np.argmax(predictions_single[0]))






2






14、源代码




# -*- coding = utf-8 -*-

# @Time : 2021/3/16

# @Author : pistachio

# @File : imagesort1.py

# @Software : PyCharm

#导入TensorFlow和tf.keras

import tensorflow as tf

from tensorflow import keras

# Helper libraries

import numpy as np

import matplotlib.pyplot as plt

#从 TensorFlow中导入和加载Fashion MNIST数据

fashion_mnist = keras.datasets.fashion_mnist

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

#每个图像都会被映射到一个标签。由于数据集不包括类名称，请将它们存储在下方，供稍后绘制图像时使用

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',

               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

#这些值缩小至 0 到 1 之间，然后将其馈送到神经网络模型

train_images = train_images / 255.0

test_images = test_images / 255.0

#浏览数据

print(train_images.shape)

print(len(train_labels))

print(train_labels)

print(test_images.shape)

print(len(test_labels))

plt.figure()

plt.imshow(train_images[0])

plt.colorbar()

plt.grid(False)

plt.show()

#为了验证数据的格式是否正确，以及您是否已准备好构建和训练网络，让我们显示训练集中的前 25 个图像，并在每个图像下方显示类名称

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()

#训练模型

model = keras.Sequential([

    keras.layers.Flatten(input_shape=(28, 28)),

    keras.layers.Dense(128, activation='relu'),

    keras.layers.Dense(10)

])

model.compile(optimizer='adam',

              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),

              metrics=['accuracy'])

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)

#进行预测

probability_model = tf.keras.Sequential([model,

                                         tf.keras.layers.Softmax()])

predictions = probability_model.predict(test_images)

#测试第一个预测结果

print(predictions[0])

#找出置信度最大的标签

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

#检查测试标签

print(test_labels[0])

#将其绘制成图表，看看模型对于全部 10 个类的预测

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)

  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):

  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')

#对图像进行检测

#看看第 0 个图像、预测结果和预测数组。正确的预测标签为蓝色，错误的预测标签为红色。数字表示预测标签的百分比（总计为 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()

#看第12个图像

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()

#用模型预测绘制几张图像

# Plot the first X test images, their predicted labels, and the true labels.

# Color correct predictions in blue and incorrect predictions in red.

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()

#使用训练好的模型对单个图像进行预测

# Grab an image from the test dataset.

img = test_images[1]

print(img.shape)

#将其添加到列表中

# Add the image to a batch where it's the only member.

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

print(img.shape)

#预测这个图像的正确标签

predictions_single = probability_model.predict(img)

print(predictions_single)

plot_value_array(1, predictions_single[0], test_labels)

_ = plt.xticks(range(10), class_names, rotation=45)

plt.show()

print(np.argmax(predictions_single[0]))


												


											
基于TensorFlow的服装分类的更多相关文章
	

    
								
  1. 基于tensorflow的文本分类总结（数据集是复旦中文语料）
		
    代码已上传到github:https://github.com/taishan1994/tensorflow-text-classification 往期精彩: 利用TfidfVectorizer进行 ...
    
		
    2. 
						
  2. 基于tensorflow的逻辑分类
		
    #!/usr/local/bin/python3 ##ljj [2] ##logic classify model import tensorflow as tf import matplotlib. ...
    
		
    3. 
						
  3. 使用Python基于TensorFlow的CIFAR-10分类训练
		
    TensorFlow Models GitHub:https://github.com/tensorflow/models Document:https://github.com/jikexueyua ...
    
		
    4. 
						
  4. Chinese-Text-Classification，用卷积神经网络基于 Tensorflow 实现的中文文本分类。
		
    用卷积神经网络基于 Tensorflow 实现的中文文本分类 项目地址: https://github.com/fendouai/Chinese-Text-Classification 欢迎提问:ht ...
    
		
    5. 
						
  5. tensorflow实现基于LSTM的文本分类方法
		
    tensorflow实现基于LSTM的文本分类方法 作者:u010223750 引言 学习一段时间的tensor flow之后,想找个项目试试手,然后想起了之前在看Theano教程中的一个文本分类的实 ...
    
		
    6. 
						
  6. 一文详解如何用 TensorFlow 实现基于 LSTM 的文本分类（附源码）
		
    雷锋网按:本文作者陆池,原文载于作者个人博客,雷锋网已获授权. 引言 学习一段时间的tensor flow之后,想找个项目试试手,然后想起了之前在看Theano教程中的一个文本分类的实例,这个星期就用 ...
    
		
    7. 
						
  7. 基于 TensorFlow 在手机端实现文档检测
		
    作者:冯牮 前言 本文不是神经网络或机器学习的入门教学,而是通过一个真实的产品案例,展示了在手机客户端上运行一个神经网络的关键技术点 在卷积神经网络适用的领域里,已经出现了一些很经典的图像分类网络,比 ...
    
		
    8. 
						
  8. 基于tensorflow的MNIST手写数字识别（二）--入门篇
		
    http://www.jianshu.com/p/4195577585e6 基于tensorflow的MNIST手写字识别(一)--白话卷积神经网络模型 基于tensorflow的MNIST手写数字识 ...
    
		
    9. 
						
  9. 【小白学PyTorch】15 TF2实现一个简单的服装分类任务
		
    [新闻]:机器学习炼丹术的粉丝的人工智能交流群已经建立,目前有目标检测.医学图像.时间序列等多个目标为技术学习的分群和水群唠嗑的总群,欢迎大家加炼丹兄为好友,加入炼丹协会.微信:cyx64501661 ...
    
		
    10. 
		

	


随机推荐
	

    
									
  1. 第六部分 数据搜索之使用HBASE的API实现条件查询
			
    题目 使用HADOOP的MAPReduce,实现以下功能: (1)基于大数据计算技术的条件查询:使用mapreduce框架,实现类似Hbase六个字段查询的功能 (2)时段流量统计:以hh:mm:ss ...
    
			
    2. 
						
  2. Mac 解压缩软件-keka
			
    去官网 GitHub地址 功能预览
    
			
    3. 
						
  3. 大学四年因为分享了这些软件测试常用软件，我成了别人眼中的（lei）大神（feng）！
			
    依稀记得,毕业那天,我们辅导员发给我毕业证的时候对我说"你可是咱们系的风云人物啊",哎呀,别提当时多开心啦????,嗯,我们辅导员是所有辅导员中最漂亮的一个,真的???? 不过,辅 ...
    
			
    4. 
						
  4. Hive企业级性能优化
			
    Hive作为大数据平台举足轻重的框架,以其稳定性和简单易用性也成为当前构建企业级数据仓库时使用最多的框架之一. 但是如果我们只局限于会使用Hive,而不考虑性能问题,就难搭建出一个完美的数仓,所以Hi ...
    
			
    5. 
						
  5. Jekyll+GitHub Pages部署自己的静态Blog
			
    混了这么久,一直想拥有自己的博客,通过jekyll和GitHub Pages捣腾出了自己的博客(https://www.ichochy.com) 一.安装jekyll 首先有安装Ruby的开发环境 运 ...
    
			
    6. 
						
  6. H5开发基础之像素、分辨率、DPI、PPI
			
    H5开发基础之像素.分辨率.DPI.PPI  html5  阅读约 4 分钟 ​2016-09-03于坝上草原 背景知识: 目前绝大部分显示器都是基于点阵的,通过一系列的小点排成一个大矩形,通过每个小 ...
    
			
    7. 
						
  7. 011.Kubernetes使用共享存储持久化数据
			
    本次实验是以前面的实验为基础,使用的是模拟使用kubernetes集群部署一个企业版的wordpress为实例进行研究学习,主要的过程如下: 1.mysql deployment部署, wordpre ...
    
			
    8. 
						
  8. git cherry-pick(不同分支的提交合并)
			
    git cherry-pick可以选择某一个分支中的一个或几个commit(s)来进行操作.例如,假设我们有个稳定版本的分支,叫v2.0,另外还有个开发版本的分支v3.0,我们不能直接把两个分支合并, ...
    
			
    9. 
						
  9. 如何查看自己的电脑 CPU 是否支持硬件虚拟化
			
    引言 在你安装各种虚拟机之前,应该先测试一下自己的电脑 CPU 是否支持硬件虚拟化. 如果你的电脑比较老旧,可能不支持硬件虚拟化,那么将无法安装虚拟机软件. 如何查看自己 CPU 是否支持硬件虚拟化  ...
    
			
    10. 
						
  10. lua table的遍历
			
    --ordered table iterator sorted by key function pairsByKeys(t) local a = {} for n in pairs(t) do a[# ...
    
			
    11.