本文详细介绍Fashion-MNIST数据集的使用方法，包括数据下载、预处理、模型构建与训练，以及模型评估与预测结果可视化。
1.参考文章
Dataset之Fashion-MNIST：Fashion-MNIST数据集简介、下载、使用方法之详细攻略
fashion-mnist简介和使用及下载
TensorFlow 学习（六）时尚（衣服、鞋、包等） Fashion MNIST识别
fashion-mnist数据集下载至本地并使用
tensorflow官网:Basic classification: Classify images of clothing
1.1 fashion mnist介绍
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200730132645895.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0hKWjEx,size_16,color_FFFFFF,t_70
| 标签 | 所代表的意思 |
|---|---|
| 0 | 短袖圆领T恤 |
| 1 | 裤子 |
| 2 | 套衫 |
| 3 | 连衣裙 |
| 4 | 外套 |
| 5 | 凉鞋 |
| 6 | 衬衫 |
| 7 | 运动鞋 |
| 8 | 包 |
| 9 | 短靴 |
2.demo
# -*- coding: utf-8 -*-
# TensorFlow and tf.keras
"""
Fashion MNIST的目标是作为经典MNIST数据的替换——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，格式与我们将在这里使用的衣服相同
使用了时尚MNIST的多样性，因为它是一个比常规MNIST稍微更具挑战性的问题。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好起点
我们将使用6万张图片来训练网络和1万张图片来评估网络对图片的分类有多精确。
"""
import tensorflow as tf
from tensorflow import keras
import numpy as np
import numpy as np
import matplotlib.pyplot as plt
import gzip
import os
import matplotlib
# 下载中文支持字体。后面画图需要
zhfont = matplotlib.font_manager.FontProperties(fname='./datas/fashion_mnist/SimHei-windows.ttf')
# 解析解压得到四个训练的数据
def read_data():
files = [
'train-labels-idx1-ubyte.gz', 'train-images-idx3-ubyte.gz',
't10k-labels-idx1-ubyte.gz', 't10k-images-idx3-ubyte.gz'
]
# 我在当前的目录下创建文件夹，里面放入上面的四个压缩文件
current = './datas/fashion_mnist'
paths = []
for i in range(len(files)):
paths.append('./datas/fashion_mnist/' + files[i])
with gzip.open(paths[0], 'rb') as lbpath:
y_train = np.frombuffer(lbpath.read(), np.uint8, offset=8)
with gzip.open(paths[1], 'rb') as imgpath:
x_train = np.frombuffer(
imgpath.read(), np.uint8, offset=16).reshape(len(y_train), 28, 28)
with gzip.open(paths[2], 'rb') as lbpath:
y_test = np.frombuffer(lbpath.read(), np.uint8, offset=8)
with gzip.open(paths[3], 'rb') as imgpath:
x_test = np.frombuffer(
imgpath.read(), np.uint8, offset=16).reshape(len(y_test), 28, 28)
return (x_train, y_train), (x_test, y_test)
# 分别得到训练数据集和测试数据集
(train_images, train_labels), (test_images, test_labels) = read_data()
class_names = ['短袖圆领T恤', '裤子', '套衫', '连衣裙', '外套',
'凉鞋', '衬衫', '运动鞋','包', '短靴']
# 创建一个新图形
plt.figure()
# 显示一张图片在二维的数据上 train_images[0] 第一张图
plt.imshow(train_images[0])
# 在图中添加颜色条
plt.colorbar()
# 是否显示网格线条,True: 显示，False: 不显示
plt.grid(False)
# 训练图像缩放255，在0 和 1 的范围
train_images = train_images / 255.0
# 测试图像缩放
test_images = test_images / 255.0
# 保存画布的图形，宽度为 10 ， 长度为10
plt.figure(figsize=(10, 10))
# 显示训练集的 25 张图像
for i in range(25):
# 创建分布 5 * 5 个图形
plt.subplot(5, 5, i + 1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
# 显示照片，以cm 为单位。
plt.imshow(train_images[i], cmap=plt.cm.binary)
# 此处就引用到上面的中文字体，显示指定中文，对应下方的图片意思，以证明是否正确
plt.xlabel(class_names[train_labels[i]], fontproperties=zhfont)
# 建立模型
def build_model():
# 线性叠加
model = tf.keras.models.Sequential()
# 改变平缓输入
model.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
# 第一层紧密连接128神经元
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
# 第二层分10 个类别
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))
return model
# 编译模型
model = build_model()
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 训练模型
model.fit(train_images, train_labels, epochs=5)
# 评估模型（主要是测试数据集）
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('测试损失：%f 测试准确率: %f' % (test_loss, test_acc))
predictions = model.predict(test_images)
# 提取20个数据集，进行预测判断是否正确
for i in range(25):
pre = class_names[np.argmax(predictions[i])]
tar = class_names[test_labels[i]]
print("预测：%s 实际：%s" % (pre, tar))
# 保存画布的图形，宽度为 10 ， 长度为10
plt.figure(figsize=(10, 10))
# 预测 25 张图像是否准确，不准确为红色。准确为蓝色
for i in range(25):
# 创建分布 5 * 5 个图形
plt.subplot(5, 5, i + 1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
# 显示照片，以cm 为单位。
plt.imshow(test_images[i], cmap=plt.cm.binary)
# 预测的图片是否正确，黑色底表示预测正确，红色底表示预测失败
predicted_label = np.argmax(predictions[i])
true_label = test_labels[i]
if predicted_label == true_label:
color = 'black'
else:
color = 'red'
plt.xlabel("{} ({})".format(class_names[predicted_label],
class_names[true_label]),
color=color,
fontproperties=zhfont)
plt.show()
Epoch 1/5
60000/60000 [==============================] - 6s - loss: 0.5024 - acc: 0.8225
Epoch 2/5
60000/60000 [==============================] - 6s - loss: 0.3784 - acc: 0.8635
Epoch 3/5
60000/60000 [==============================] - 6s - loss: 0.3398 - acc: 0.8764
Epoch 4/5
60000/60000 [==============================] - 6s - loss: 0.3143 - acc: 0.8841
Epoch 5/5
60000/60000 [==============================] - 6s - loss: 0.2954 - acc: 0.8911
9920/10000 [============================>.] - ETA: 0s测试损失：0.342574 测试准确率: 0.878800
预测：短靴 实际：短靴
预测：套衫 实际：套衫
预测：裤子 实际：裤子
预测：裤子 实际：裤子
预测：衬衫 实际：衬衫
预测：裤子 实际：裤子
预测：外套 实际：外套
预测：衬衫 实际：衬衫
预测：凉鞋 实际：凉鞋
预测：运动鞋 实际：运动鞋
预测：外套 实际：外套
预测：凉鞋 实际：凉鞋
预测：凉鞋 实际：运动鞋
预测：连衣裙 实际：连衣裙
预测：外套 实际：外套
预测：裤子 实际：裤子
预测：套衫 实际：套衫
预测：套衫 实际：外套
预测：包 实际：包
预测：短袖圆领T恤 实际：短袖圆领T恤
预测：套衫 实际：套衫
预测：凉鞋 实际：凉鞋
预测：运动鞋 实际：运动鞋
预测：凉鞋 实际：短靴
预测：裤子 实际：裤子
2.1.显示一个图片
2.2.显示训练集25个图片
2.2.显示预测对比图片
3.代码结构
tensorflow-keras-fashion-mnist
1.导入包
np,plt,gzip,os,matpoltlib
2.中文字体
SimHei-windows.ttf
3.解压fashion_mnist数据集
read_data()
train_imaes,train_labels,test_images,test_labels
4.可视化训练集图片样例
plt.figure;plt.imshow();plt.colorbar();plt.grid()
5.图像缩放[0,1]
/255
6.可视化训练集25图
plt.subplots()，plt.xlabel(class_names[train_labels[i]], fontproperties=zhfont)
7.构建模型
model = tf.keras.models.Sequential()
model.add()
8.编译模型
model = build_model()
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
9.训练模型
model.fit(train_images, train_labels, epochs=5)
10.评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
11.预测
predictions = model.predict(test_images)
12.查看预测效果
print("预测：%s 实际：%s" % (pre, tar))
13.可视化预测结果
扫一扫
1099
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
