Keras(一)分类模型实战

本文将介绍如下内容：

• 导入、打印使用的python库的版本信息
• 从keras.datasets中提取图片数据集-“训练数据”、“验证数据”、“测试数据”
• 查看单、多张图片
• 分类模型之模型构建
• 查看模型的图结构
• 训练模型
• 绘图表示模型参数的变化过程
• 数据的标准化
• 回调函数

一，导入、打印使用的python库的版本信息

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf
from tensorflow import keras

# 打印使用的python库的版本信息
print(sys.version_info)
for module in mpl, np, pd, sklearn, tf, keras:
    print(module.__name__, module.__version__)
    
#------------------output----------------------
sys.version_info(major=3, minor=8, micro=5, releaselevel='final', serial=0)
matplotlib 3.3.2
numpy 1.19.1
pandas 1.0.3
sklearn 0.23.2
tensorflow 2.2.0
tensorflow.keras 2.3.0-tf

二，从keras.datasets中提取图片数据集-“训练数据”、“验证数据”、“测试数据

# 1，从keras.datasets中提取图片数据集-“训练数据”、“验证数据”、“测试数据”
fashion_mnist = keras.datasets.fashion_mnist
# 提取“训练数据”、“测试数据”
(x_train_all, y_train_all), (x_test, y_test) = fashion_mnist.load_data()
# 将“训练数据”中的前5000条数据提取为“验证数据”
x_valid, x_train = x_train_all[:5000], x_train_all[5000:]
y_valid, y_train = y_train_all[:5000], y_train_all[5000:]
# 打印数据集shape维度
print(x_valid.shape, y_valid.shape)
print(x_train.shape, y_train.shape)
print(x_test.shape, y_test.shape)

#------------------output----------------------
(5000, 28, 28) (5000,)
(55000, 28, 28) (55000,)
(10000, 28, 28) (10000,)

三，查看单、多张图片

1，查看单张图片

def show_single_image(img_arr):
    plt.imshow(img_arr, cmap="binary")
    plt.show()

show_single_image(x_train[0])

2，查看多张图片

def show_imgs(n_rows, n_cols, x_data, y_data, class_names):
    assert len(x_data) == len(y_data)
    assert n_rows * n_cols < len(x_data)
    plt.figure(figsize = (n_cols * 1.4, n_rows * 1.6))
    for row in range(n_rows):
        for col in range(n_cols):
            index = n_cols * row + col 
            plt.subplot(n_rows, n_cols, index+1)
            plt.imshow(x_data[index], cmap="binary",interpolation = 'nearest')
            plt.axis('off')
            plt.title(class_names[y_data[index]])
    plt.show()

class_names = ['T-shirt', 'Trouser', 'Pullover', 'Dress','Coat', 'Sandal',
                'Shirt', 'Sneaker','Bag', 'Ankle boot']
show_imgs(3, 5, x_train, y_train, class_names)

四，分类模型之模型构建

"""
model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28, 28]))
model.add(keras.layers.Dense(300, activation="relu"))
model.add(keras.layers.Dense(100, activation="relu"))
model.add(keras.layers.Dense(10, activation="softmax"))
"""

model = keras.models.Sequential([
    keras.layers.Flatten(input_shape=[28, 28]), # 输入层
    keras.layers.Dense(300, activation='relu'), # 全连接层
    ke