机器学习TensorFlow---Fashion MNIST基本图像分类

实验介绍：

　　利用数据集Fashion MNIST中的数据信息，进行机器学习，构建模型，训练模型。完成对该数据集中的数据分类（对运动鞋和衬衫等服装图像进行分类）。本实验主要使用 tf.keras，它是 TensorFlow 中用来构建和训练模型的高级 API。

导入 Fashion MNIST 数据：

　　头文件展示：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

　　直接从 TensorFlow 中访问 Fashion MNIST。直接从 TensorFlow 中导入和加载 Fashion MNIST 数据，本数据集中包含了6000张训练数据和1000张测试数据：

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

　　为每一个标签（labels）命名：

#标签0-9分别对应的衣服
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

　　标签命名前，标签命名后：

　　数据预处理一下，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。请务必以相同的方式对训练集和测试集进行预处理：

train_images = train_images / 255
test_images = test_images / 255

　　数据浏览，展示前25条数据：

plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5, 5, i + 1)
    plt.xticks([])
    plt.yticks([])
    # plt.cm.binary的作用是图片将以黑白色显示
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])
plt.show()　　

构建模型：

　　设置层：

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

　　编译模型：

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

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。

　　 训练模型：

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

　　模型测试：

test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print("测试准确率为： ",test_acc)　

模型预测：

　　先建立预测模型：

probability_model = tf.keras.Sequential([model,
                                         tf.keras.layers.Softmax()])

　　预测一下：

predictions = probability_model.predict(train_images)

　　看看预测的第一个数据怎么样：

predictions[0]

[2.1990630e-14 9.6575387e-11 8.7644484e-20 1.4134983e-15 3.9952511e-13
 2.2158854e-05 7.6434464e-14 8.5105496e-03 3.5996098e-14 9.9146724e-01]

　　可以发现，对于这个数据，是该模型预测出的该数据所属标签概率。

　　具体查看该数据最有可能的那个标签：

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

9

　　

 

实验结束。