[Tensorflow]服装图像数据集分类：使用DNN、CNN模型

一、实验介绍

实验环境：jupyter notebook、Tensorflow.keras
数据集Fashion Mnist与样例代码及相关参考：
https://www.tensorflow.org/tutorials/keras/classification
https://zhuanlan.zhihu.com/p/161656714
https://msd.misuland.com/pd/4146263742822220136
https://baijiahao.baidu.com/s?id=1653421414340022957&wfr=spider&for=pc

1、认识数据集
2、尝试使用DNN、CNN等神经网络模型进行分类
3、评估、比较各模型的性能

二、Fashion MNIST数据集

包含10个类别的70000个灰度图像。这些图像以低分辨率（28×28像素）展示了单件衣物。
Fashion MINIST旨在临时替代经典 MNIST 数据集，后者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，其格式与您将使用的衣物图像的格式相同。
使用 Fashion MNIST来实现多样化，因为它比常规 MNIST更具挑战性。这两个数据集都相对较小，都用于验证某个算法是否按预期工作。对于代码的测试和调试，它们都是很好的起点。

标签是整数数组，介于0~9之间，以下是这些标签对应的服装类

标签	类
0	T恤/上衣
1	裤子
2	套头衫
3	连衣裙
4	外套
5	凉鞋
6	衬衫
7	运动鞋
8	包
9	短靴

三、实验代码和结果截图

1、导入python包

tf.keras是Tensorflow中用来构建和训练模型的高级API。

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

2、全局变量

train_images 和 train_labels是模型用来学习的数据，test_images 和 test_labels被用来对模型进行测试。
每个图像都会被映射到一个标签。

fashion_minist = keras.datasets.fashion_mnist# 载入Fashion MINIST数据集

# 返回四个28×28的Numpy数组，像素值介于0~255之间，标签是整数数组，介于0~9之间
(train_images,train_labels),(test_images,test_labels) = fashion_minist.load_data()

# 数据集中不包括类名称，将它们存储在class_names中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']# 将像素值缩小至0~1之间，对训练集和测试集做相同处理
train_images = train_images / 255.0
test_images = test_images / 255.0# （为了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，并在每个图像的下方显示类名称
plt.figure(figsize = (10,10))
for i in range (25):plt.subplot(5,5,i+1)# 五行五列plt.xticks([])plt.yticks([])# plt.imshow(train_images[i],cmap=plt.cm.gray)plt.imshow(train_images[i],cmap=plt.cm.binary)# cmap参数接受一个值，其中每个值代表一种配色方案plt.xlabel(class_names[train_labels[i]])
plt.show()

3、构建模型：构建神经网络模型需要先配置模型的层，然后再编译模型

3.1 构建DNN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。
在深度神经网络中，通常使用一种叫线性整流函数（修正线性单元）：Rectified Linear Unit（ReLU），作为神经元的激活函数。 R e L U ( x ) = m a x ( 0 , x ) ReLU(x) = max(0,x) ReLU(x)=max(0,x)，即
R e L U ( x ) = { 0 if x < 0 x if x ≥ 0 ReLU(x) = \begin{cases} 0& \text{ if } x<0 \\ x& \text{ if } x≥0 \end{cases} ReLU(x)={0x if x<0 if x≥0
在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：
① 损失函数(loss function) ：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。
② 优化器(optimizer) ：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。
③ 指标 (例如：accuracy)：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。

# 设置层
model = keras.Sequential([keras.layers.Flatten(input_shape = (28,28)),keras.layers.Dense(128, activation = 'relu'),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
model.fit(train_images,train_labels,epochs=10)# epochs:迭代次数# 评估准确率
test_loss_dnn, test_acc_dnn = model.evaluate(test_images,test_labels,verbose=2)
print("\nTest accuracy is:",test_acc_dnn)# 进行预测
probability_model = tf.keras.Sequential([model,tf.keras.layers.Softmax()])predictions = probability_model.predict(test_images)# 第一个预测结果
predictions[0]

3.2 构建CNN模型，CNN模型中多了卷积层和池化层，先卷积再池化再卷积再池化，最后全连接层。

# Fashion MINIST数据集是3维的，不符合卷积的输入要求（4维），采用如下命令将3维的输入扩展维4维的输入
train_images = np.expand_dims(train_images, axis=3)
test_images = np.expand_dims(test_images, axis=3)# 设置层
model=keras.models.Sequential([keras.layers.Conv2D(64, (3, 3), activation='relu', input_shape=(28,28,1)),keras.layers.MaxPooling2D(2,2),keras.layers.Conv2D(64,(3,3),activation='relu'),keras.layers.MaxPooling2D(2,2),keras.layers.Flatten(),keras.layers.Dense(128, activation=tf.nn.relu),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
model.fit(train_images,train_labels,epochs=10,validation_data=(test_images,test_labels))# epochs:迭代次数# 评估准确率
test_loss_cnn, test_acc_cnn = model.evaluate(test_images,test_labels,verbose=2)
print("\nTest accuracy is:",test_acc_cnn)

四、总结

本案例同样的迭代10次，使用CNN比使用DNN运行时间长的多，但CNN的准确度更高，可自行设置不同的迭代次数，比较两种模型的运行时间、准确度等（除迭代次数，激活函数的选择和优化器的选择等都对准确度有影响）。

[Tensorflow]服装图像数据集分类：使用DNN、CNN模型相关推荐

猫狗图像数据集上的深度学习模型性能对比
LeNet模型简介 1. LeNet LeNet-5由七层组成(不包括输入层),每一层都包含可训练权重.通过卷积.池化等操作进行特征提取,最后利用全连接实现分类识别,下面是他的网络结构示意图: C:卷 ...
【小白学习Keras教程】四、Keras基于数字数据集建立基础的CNN模型
@Author:Runsen 文章目录基本卷积神经网络(CNN) 加载数据集 1.创建模型 2.卷积层 3. 激活层 4. 池化层 5. Dense(全连接层) 6. Model compile & ...
迁移学习：如何使用TensorFlow对图像进行分类
导言在机器学习环境中,迁移学习是一种技术,使我们能够重用已经训练的模型并将其用于另一个任务.图像分类是将图像作为输入并为其分配具有概率的类(通常是标签)的过程.这个过程使用深度学习模型,即深度神经网 ...
使用增强的图像多分类模型
欢迎关注 "小白玩转Python",发现更多 "有趣" 什么是图像增强? 图像增强,解决数据有限的问题.图像增强是一种通过在数据集中人工扩大训练数据集大小的技术 ...
基于卷积神经网络(CNN)模型的垃圾分类设计与实现
本篇博客主要内容如下: 目录项目背景数据集介绍模型构建与训练结果分析结果对比分析项目背景如何通过垃圾分类管理,最大限度地实现垃圾资源利用,减少垃圾处置量,改善生存环境质量,是当前世界各国 ...
Tensorflow之CNN实现CIFAR-10图像的分类python
这个还是18年做的,当时被老师逼着三天速成,也是无奈的很呀,哭唧唧.但是现在想想还是老师逼迫的时候效率高哈哈哈哈哈,感谢努力push我们的老师~ CNN原理卷积神经网络(Convolutional ...
[Python图像识别] 五十.Keras构建AlexNet和CNN实现自定义数据集分类详解
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
[TensorFlow深度学习入门]实战九·用CNN做科赛网TibetanMNIST藏文手写数字数据集准确率98%+
[TensorFlow深度学习入门]实战九·用CNN做科赛网TibetanMNIST藏文手写数字数据集准确率98.8%+ 我们在博文,使用CNN做Kaggle比赛手写数字识别准确率99%+,在此基础之 ...
（转）CNN基于Tensorflow实现cifar10数据集80-准确率
https://www.jianshu.com/p/a2c1016faa95 数据导入和预处理本文使用的是CIFAR10的数据集.CIFAR10包含了十个类型的图片,有60000张大小为32x32的 ...

[Tensorflow]服装图像数据集分类：使用DNN、CNN模型

一、实验介绍

二、Fashion MNIST数据集

三、实验代码和结果截图

1、导入python包

2、全局变量

3、构建模型：构建神经网络模型需要先配置模型的层，然后再编译模型

3.1 构建DNN模型

3.2 构建CNN模型，CNN模型中多了卷积层和池化层，先卷积再池化再卷积再池化，最后全连接层。

四、总结

[Tensorflow]服装图像数据集分类：使用DNN、CNN模型相关推荐

最新文章

热门文章