基本分类：对服装图像进行分类

训练了一个神经网络模型来对衣服的图像进行分类，例如运动鞋和衬衫。
本指南使用tf.keras（高级API）在TensorFlow中构建和训练模型。

#引入TensorFlow 和 tf.keras
import tensorflow as tf
from tensorflow import keras#引入numpy和matplotlib
import numpy as np
import matplotlib.pyplot as plt
#查看tensorflow的版本
print(tf.__version__)

导入Fashion MNIST数据集

使用Fashion MNIST数据集，其中包含10个类别的70,000张灰度图像。图像显示了低分辨率（28 x 28像素）的单个衣物。

Fashion MNIST旨在替代经典MNIST数据集，通常被用作计算机视觉机器学习程序的“ Hello，World”。MNIST数据集包含手写数字（0、1、2等）的图像，格式与您将在此处使用的衣服的格式相同。

本指南将Fashion MNIST用于多种用途，因为它比常规MNIST更具挑战性。这两个数据集都相对较小，用于验证算法是否按预期工作。它们是测试和调试代码的良好起点。

在这里，使用60,000张图像来训练网络，使用10,000张图像来评估网络学习对图像进行分类的准确度。您可以直接从TensorFlow访问Fashion MNIST。直接从TensorFlow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()

加载数据集将返回四个NumPy数组：

在train_images和train_labels阵列的训练集 -The数据模型用来学习。
针对测试集，和test_images，对模型进行了测试test_labels。

图像是28x28 NumPy数组，像素值范围是0到255。标签是整数数组，范围是0到9。这些对应于图像表示的衣服类别：

标签	类
0	T恤/上衣 T-shirt/top
1	裤子 Trouser
2	套衫 Pullover
3	连衣裙 Dress
4	涂层 Coat
5	凉鞋 Sandal
6	衬衫 Shirt
7	运动鞋 Sneaker
8	袋子 Bag
9	脚踝靴 Ankle boot

每个图像都映射到一个标签。由于类名不包含在数据集中，因此将它们存储在此处以供以后在绘制图像时使用：

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

预处理数据

在训练网络之前，必须对数据进行预处理。图片像素值落在0到255之间，将这些值缩放到0到1的范围，然后再将其输入神经网络模型。为此，将值除以255。以相同的方式预处理训练集和测试集非常重要：

train_images = train_images / 255.0test_images = test_images / 255.0

建立模型

建立神经网络需要配置模型的各层，然后编译模型。

设置图层

神经网络的基本组成部分是层。图层从输入到其中的数据中提取表示。希望这些表示对于当前的问题有意义。

深度学习的大部分内容是将简单的层链接在一起。大多数层（例如tf.keras.layers.Dense）具有在训练期间学习的参数。

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

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）转换为一维数组（28 * 28 = 784像素）。可以将这一层看作是堆叠图像中的像素行并将它们排成一行。该层没有学习参数。它只会重新格式化数据。

像素展平后，网络由tf.keras.layers.Dense两层序列组成。这些是紧密连接或完全连接的神经层。第一Dense层有128个节点（或神经元）。第二层（也是最后一层）返回长度为10的logits数组。每个节点包含一个得分，该得分指示当前图像属于10类之一。

编译模型

在准备训练模型之前，需要进行一些其他设置。这些是在模型的编译步骤中添加的：

优化器 -这是基于模型看到的数据及其损失函数来更新模型的方式。
损失函数 -衡量训练过程中模型的准确性。您希望最小化此功能，以在正确的方向上“引导”模型。
指标 -用于监视培训和测试步骤。以下示例使用precision，即正确分类的图像比例。

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：

将训练数据输入模型。在此示例中，训练数据在train_images和train_labels数组中。
该模型学习关联图像和标签。
您要求模型对测试集进行预测（在此示例中为test_images数组）。
验证预测是否与test_labels阵列中的标签匹配。

喂模型

要开始训练，请调用该model.fit方法，之所以这样称呼是因为该方法使模型“适合”训练数据：

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

Epoch 1/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.4999 - accuracy: 0.8245
Epoch 2/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.3789 - accuracy: 0.8637
Epoch 3/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.3394 - accuracy: 0.8757
Epoch 4/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.3141 - accuracy: 0.8838
Epoch 5/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2953 - accuracy: 0.8909
Epoch 6/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2800 - accuracy: 0.8964
Epoch 7/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2660 - accuracy: 0.9014
Epoch 8/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2582 - accuracy: 0.9038
Epoch 9/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2461 - accuracy: 0.9084
Epoch 10/10
1875/1875 [==============================] - 4s 2ms/step - loss: 0.2393 - accuracy: 0.9109
<tensorflow.python.keras.callbacks.History at 0x7f9e70d4a860>

模型训练时，会显示损失和准确性指标。该模型在训练数据上达到约0.91（或91％）的精度。

评估准确性

接下来，比较模型在测试数据集上的表现：

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)print('\n测试精度：', test_acc)

313/313 - 0s - loss: 0.3653 - accuracy: 0.8720测试精度： 0.871999979019165

事实证明，测试数据集的准确性略低于训练数据集的准确性。训练准确性和测试准确性之间的差距代表过度拟合。当机器学习模型在新的，以前看不见的输入上的表现比训练数据上的表现差时，就会发生过度拟合。过度拟合的模型“存储”训练数据集中的噪声和细节，从而对新数据的模型性能产生负面影响。

Tensorflow之基本图像分析相关推荐

开源用于医学影像的深度学习工具箱
主要整理相关将深度学习技术应用到医学数据领域的开源软件,囊括了医学影像的病灶分割.检测等技术.如果大家有更好的推荐,欢迎留言. 医学影像系列 NiftyNet: https://github.com/ ...
始于TensorFlow ，终于PyTorch
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达作者 | Scott Carey 译者 | Sambodhi 策划 ...
【深度学习】上海交大发布 MedMNIST 医学图像分析数据集新基准
By 超神经内容概要:医学图像分析是一个非常复杂的跨学科领域,近日上海交通大学发布了 MedMNIST 数据集,有望促进医学图像分析的发展. 关键词:医学图像分析公开数据集令人头秃的医学图 ...
基于TensorFlow的开源JS库的网页前端人物动作捕捉的实现
个人博客导航页(点击右侧链接即可打开个人博客):大牛带你入门技术栈前言随着前端生态的发展,Java已经不仅仅局限于作为网页开发,也越来越活跃于服务器端,移动端小程序等应用开发中.甚至通过Elect ...
TensorFlow Lite，ML Kit 和 Flutter 移动深度学习：1~5
原文:Mobile Deep Learning with TensorFlow Lite, ML Kit and Flutter 协议:CC BY-NC-SA 4.0 译者:飞龙本文来自[Apach ...
视频图像分析处理流程（完整版）
来源:投稿作者:LSC 编辑:学姐一.视频分析处理的完整流程 (1)视频编解码的入门知识尽管压缩工具五花八门,但是他们的目的都只有一个:都是为了减小文件的占用空间. 除去我们常见的.zip,.7 ...
那些TensorFlow上好玩的和黑科技
那些TensorFlow上好玩的和黑科技 Google于2017年2月16日(北京时间)凌晨2点在美国加利福尼亚州山景城举办了首届TensorFlow开发者峰会.Google现场宣布全球领先的深度学习 ...
【转载】史上最全：TensorFlow 好玩的技术、应用和你不知道的黑科技
[导读]TensorFlow 在 2015 年年底一出现就受到了极大的关注,经过一年多的发展,已经成为了在机器学习.深度学习项目中最受欢迎的框架之一.自发布以来,TensorFlow 不断在完善并增加 ...
MNIST手写数字识别 —— 图像分析法实现二分类
手写数字任务识别简介 MNIST 数据集来自美国国家标准与技术研究所(National Institute of Standards and Technology,简称 NIST ),总共有7万张图, ...

Tensorflow之基本图像分析