Ubuntu16.04下使用tensorflow2.1 对fashion_mnist进行分类处理

【深度学习系列】——Fashion-MNIST数据集简介 图像分类数据集(Fashion-MNIST)1、数据集简介2、获取数据集3、查看数据集4、图像可视化显示5、读取小批量数据 1、数据集简介 \quad \quad不同于MNIST手写数据集,Fashion-MNIST数据集包含了10个类别的图像,分别是:t-shirt(T恤),trouser(牛仔裤),pullover(套衫),dress(裙子),coat(外套),sandal(凉鞋),shirt(衬衫),sneaker(运动鞋),bag(包),ankle boot(短靴)。 2、获取数据集 1、torch 阅读详情

使用TensorFlow2.0对fashion_mnist进行分类处理

环境主要还是在Ubuntu16.04,安装tensorflow2.0版本,数据集调用的是keras中的数据集.但是,在数据集的获取中,如果是在编写代码的过程中获取数据集,我自己的网络是不支持的,需要访问谷歌网站.所以我会先事先下载好fashion_mnist数据集,在/home目录下使用Ctrl+H打开隐藏文件夹找到.keras文件中的datasets,将下载好的数据集存放到文件夹中,从而来解决获取数据集失败的坑~~

# 导入相关的包
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
# 加载服装分类数据集
mnist = tf.keras.datasets.fashion_mnist
# 划分数据集(训练数据,测试数据)
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
# 服装类别标签
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
# 训练图像的样本数量和图片尺寸
train_images.shape
# 测试图像标签数量
len(train_labels)
train_labels
test_images.shape
len(test_labels)
# 先查看训练数据的第一站图像
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid()
plt.show()

在这里插入图片描述

# 对数据进行预处理,将数据的像素点划到0~1之间
train_images = train_images /255.0
test_images = test_images / 255.0
plt.figure(figsize=(10,10)) 
for i in range(25): #遍历25张图片
    plt.subplot(5,5,i+1) #分成5*5的长宽
    plt.xticks([]) #将横轴的数值取消
    plt.yticks([]) #将纵轴的数值取消
    plt.grid(False) #取消在图片上进行网格的描绘
    plt.imshow(train_images[i],cmap=plt.cm.binary) #输出图像,cmap=plt.cm.binary对颜色做出调整
    plt.xlabel(class_names[train_labels[i]]) #给每张图片打标签
plt.close

在这里插入图片描述

# 搭建网络
model = keras.Sequential([
#   对图像进行展平
    keras.layers.Flatten(input_shape=(28,28)),
#   128个神经元和使用relu的激活函数
    keras.layers.Dense(128,activation='relu'),
#   全连接层,使用softmax激活函数,将概率分布到10个类别中
    keras.layers.Dense(10,activation='softmax')
])
# 查看网络结构
model.summary()

在这里插入图片描述
第一个对图像进行展平的值是输入图像尺寸28*28 = 784
第二个 param的值是(输入的维度+1)*神经元= (784+1)*128=100480 之所以+1 是因为每个神经元都有一个偏置项bias
第3个:(128+1)*10= 1290

# 定义优化器,损失函数,指标
model.compile(optimizer = 'adam',
             loss=tf.keras.losses.sparse_categorical_crossentropy,
             metrics= ['accuracy'])
# 模型的训练,迭代次数
model.fit(train_images,train_labels,epochs= 5)

在这里插入图片描述

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

print('\nTest accuracy:', test_acc)

在这里插入图片描述

# 预测
probability_model= tf.keras.Sequential([model,tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)
# 预测的结果分别代表了没中衣服的置信度
predictions[0]
np.argmax(predictions[0])
# 定义图像展示的函数
def plot_image(i,prediction_array,true_label,img):
        prediction_array = prediction_array
        true_label = true_label[i]
        img = img[i]
        plt.grid(False)
        plt.xticks([])
        plt.yticks([])

        plt.imshow(img,cmap=plt.cm.binary)

        prediction_label = np.argmax(prediction_array)
        if prediction_label == true_label:
            color = 'blue'
        else:
            color = 'red'
        plt.xlabel("{} {:2.0f}% ({})".format(class_names[prediction_label],
                                            100 * np.max(prediction_array),
                                            class_names[true_label]),
                                              color = color)
# 定义直方图
def plot_value_array(i,predicition_array,true_label):
    predicition_array= predicition_array
    true_label = true_label[i]
    
    plt.grid(False)
    plt.xticks(range(10))
    plt.yticks([])
    thisplot = plt.bar(range(10),predicition_array,color="#777777")
    plt.ylim([0,1])
    predicition_label = np.argmax(predicition_array)
    
    thisplot[predicition_label].set_color('red')
    thisplot[true_label].set_color('blue')
i = 0 
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i,predictions[i],test_labels,test_images)
plt.subplot(1,2,2)
plot_value_array(i,predictions[i],test_labels)
plt.show()

在这里插入图片描述

i = 12
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions[i],  test_labels)
plt.show()

在这里插入图片描述

# 分批打印所以类别图片和概率值
num_rows = 5
num_cols = 3
num_images = num_rows * num_cols
plt.figure(figsize=(2*2*num_cols,2*num_rows))
for i in range(num_images):
    plt.subplot(num_rows,2*num_cols,2*i+1)
    plot_image(i, predictions[i], test_labels, test_images)
    plt.subplot(num_rows, 2*num_cols, 2*i+2)
    plot_value_array(i, predictions[i], test_labels)
    plt.tight_layout()
plt.show()

在这里插入图片描述

Ubuntu下Tensorflow加载MNIST数据集(数据下载和读取) 作为小白初入茅庐,根据tensorflow中文版的参考文档,以及自己平时学习的体会,总结了在ubuntu下进行深度学习的过程。作为每个学习深度学习的人来说,测试手写数字的训练应该是每个人都会经历的过程。 阅读详情

相关推荐

Python机器学习入门:从线性模型到神经网络实战全解析

机器学习作为人工智能的核心技术,通过算法让计算机从数据中学习规律并做出预测。其基本原理涉及监督学习、无监督学习和强化学习三大范式,通过特征工程、模型训练和评估优化等流程实现智能决策。在技术价值层面,机器学习能够自动化处理复杂模式识别任务,显著提升数据处理效率和预测准确性。应用场景广泛覆盖图像分类、客户流失预测、房价回归分析等实际业务需求。本文基于Python环境,详细解析线性回归、决策树等经典算法,并深入探讨神经网络实战配置,为初学者提供从基础概念到项目落地的完整学习路径,特别适合希望系统掌握机器学习核心技

weixin_34232744的博客 278

Ubuntu下面的Keras可视化+权重维度获取-Netron的安装使用

环境: Ubuntu 19.10 Python 3.6.10 Keras 2.3.1 #----------------------------------------------------------------------------------------------------------------------...

微电子学与固体电子学-俞驰 1776

PyTorch手把手实现MAML元学习:让模型学会快速适应新任务

元学习(Meta-Learning)是一种使模型具备‘学会学习’能力的前沿范式,其核心在于训练模型在少量样本下快速泛化到新任务。基于优化的元学习(Optimization-based Meta-Learning)通过构建任务分布与内外梯度更新机制,使初始参数具备跨任务可微调性;MAML(Model-Agnostic Meta-Learning)作为该范式的标杆方法,以端到端可导、模型无关、小样本高效为技术价值,广泛应用于工业质检、医疗影像、边缘智能等数据稀缺场景。本文以MNIST为元学习沙盒,结合PyTor

weixin_30765505的博客 492

ubuntu下keras的mnist数据集无法下载的解决办法

ubuntu下keras的mnist数据集无法下载的解决办法(免费) #废话可不看---------mnist作为keras的内置数据集由于网络问题很难完成下载。我参考了许多资料,大多数的解决办法或许有效但是写的很复杂,作为刚入门的菜鸟来说很难理解。为此,我记录下来自己的解决办法,与大家一同分享。关于linux和keras我仅仅是刚入门,很多地方都不懂,错误之处请大家批评指正。但是方法是有效可行的...

qq_38144495的博客 749

可调谐堆叠LCU:优化深度模型训练稳定性的前沿架构设计

在深度学习和硬件协同设计领域,模型的可训练性(Trainability)是决定优化效率与稳定性的核心因素。其原理涉及梯度动力学、参数初始化与网络架构的相互作用,直接影响训练过程中梯度消失或爆炸等关键问题。通过主动设计网络结构来调控训练动态,具有重要的技术价值,能够提升深度模型的收敛速度与泛化性能。这一思想在神经架构搜索、量子机器学习及专用AI硬件设计等场景中均有广泛应用。本文聚焦于一种名为“可调谐堆叠LCU(线性组合单元)”的前沿方法,它通过堆叠(Stacking)结构与可调谐(Tunable)参数,为解决

weixin_34396902的博客 330

[Pytorch框架] 5.3 Fashion MNIST进行分类

文章目录5.3 Fashion MNIST进行分类Fashion MNIST 介绍数据集介绍分类格式数据提交数据加载创建网络损失函数优化器开始训练训练后操作可视化损失函数保存模型模型评估进一步优化再次进行评估总结 import torch,math from pathlib import Path import pandas as pd import numpy as np import matplotlib.pyplot as plt import torchvision.datasets as ds

yegeli的博客 4397

建立深度学习工作站:在Ubuntu上安装Keras及其依赖

一、建立深度学习工作站的步骤 (1)安装Python科学套件( Numpy 和 Scipy) + 基础线性代数子程序库( BLAS ) (2)安装HDF5 + Graphviz (3)安装CUDA驱动程序和cuDNN (4)安装一个Keras后端:TensorFlow (5)安装Keras 参考书目:《Python深度学习(Keras)》附录 pip3 install tensorflow-gpu==1.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

南七行者的博客 2006

Tessent --- PDL

当关联的ICL模块是当前ICL顶部模块时,即当它与当前设计匹配时,只能iCall一个iTopProc。但是,可以在iTopProc内调用iCall iProc或iTopProc。为指定后续iProc命令引用的ICL模块,发出这个命令之后,随后定义的iProc都会对应的ICL模块进行定义。为后续iCall调用,当使用iCall命令调用该过程时,参数列表中的变量将被替换为iCall命令中指定的值。在调用iProc时,运行iProc内的命令。PDL是面向工程师的,工程师利用PDL语言,对ICL中的单元进行控制。

qiantianyiqian的博客 2794

深度学习实践1--FashionMNIST分类

目录一、深度学习实践目录实践1--FashionMNIST分类文章目录前言二、FashionMNIST分类1.介绍数据集2.获取数据集3.分批迭代数据 4.数据可视化5.构建网络模型​6.选择损失函数和优化器7.训练8.验证 9.训练并验证 10.写成csv 11.完整代码总结随着人工智能的发展,深度学习也越发重要,目前深度学习可以应用到多方面,如图像处理领域、语音识别领域、自然语言处理邻域等。本篇是深度学习的入门篇,FashionMNIST图像分类。

qqqxiao_qi的博客 8694

告别卡顿!用LVGL+DMA刷新STM32F407的SPI屏幕,性能提升实战

本文详细介绍了如何通过LVGL+DMA技术优化STM32F407驱动SPI屏幕的性能,实现接近60FPS的流畅刷新。从硬件瓶颈分析到SPI与DMA的精细化配置,再到LVGL的双缓冲机制与局部刷新优化,提供了一套完整的性能提升方案。特别适合嵌入式GUI开发中面临卡顿问题的工程师参考。

weixin_42531588的博客 380

端侧 AI 落地避坑指南(中):为什么 QAT 救不了精度?——对齐“融合后算子“的硬件物理约束

在上一篇文章中,我们深入探讨了量化的本质,并得出结论:QAT(量化感知训练)是保持精度的关键。明明做了 QAT,精度还是崩塌了!让我们看一个真实的案例:✅ 使用了✅ 配置了量化✅ 训练了 50 个 epoch,学习率降为原来的 1/10✅ 冻结了 BN 统计量FP32 模型:mAP = 0.85QAT 后 FP32:mAP = 0.84(正常)工具量化后:mAP = 0.68(崩塌!问题出在哪里?层融合(Layer Fusion)机制。

weixin_51988935的博客 57

Tensorflow 入门级Hellow World (basic classification)

上一篇帖子:ubuntu16.04使用Anaconda3安装Tensorflow 本篇,按照Google TensorFlow 教程实现Basic Classification Demo.原文链接: https://www.tensorflow.org/tutorials/keras/basic_classification#Preprocess%20the%20data 1.查看env环境...

WuDong 411

2024年广东省职业院校技能大赛“区块链技术应用”任务书—区块链应用系统开发参考答案

摘要 本文档提供了2024年广东省职业院校技能大赛"区块链技术应用"项目中区块链电子签章前端功能开发的参考答案。主要内容包括:1)注册页面开发,实现身份证号码双向绑定和注册请求发送;2)登录页面开发,实现用户认证、状态保存和页面跳转;3)个人印章页面开发,实现注销功能和印章信息展示。每个任务均包含具体实现代码片段和功能测试要点,涵盖Vue.js框架下的数据绑定、axios请求处理和本地存储等关键技术点。

我是网络安全兼技能大赛工程师,专注网络安全技术学习与技能大赛实战!持续分享最新的技术文章,帮你少走弯路,一起在技术赛道上进步~ 346

TensorFlow服装图像分类实战:从数据加载到边缘部署

图像分类是计算机视觉的基础任务,其核心在于特征提取、类别判别与泛化能力平衡。在真实电商场景中,服装图像分类需兼顾细粒度识别、低延迟推理与小模型体积等工程约束。TensorFlow凭借其完整的端到端生态(tf.data、Keras、TFLite、TF Serving),成为工业级部署的首选框架。本文围绕Fashion-MNIST与业务真实数据双轨演进,深入解析数据管道优化、MobileNetV2轻量化建模、空间注意力机制增强、量化感知训练及边缘推理调优等关键技术环节,覆盖从Python环境配置、GPU显存管理

张沈鹏,在路上 ... 507

piamon实战-- 如何使用 Paimon 的 Java API 实现数据的点查

点查(Point Lookup)是指通过 ​​唯一键(Primary Key)​​ 快速定位并返回单条或少量数据的查询模式。例如:根据用户 ID 查询用户信息、根据订单号查询订单详情等。点查的核心诉求是 ​​低延迟​​ 和 ​​高吞吐​​,适用于实时风控、在线分析等场景。​​定义主键表结构​​,优化数据分布。​​构建过滤条件​​,使用指定查询键。​​执行查询并处理结果​​,结合流式更新实现实时查询。

阿华田的博客 538

Rcpp简介

在数据分析时,代码的运行速率常常是我们所关心的话题之一。小Q往期的文章中也有介绍通过并行计算提升R运行速率的文章。然而R代码自身的运行速率偏慢,具有某种“先天缺陷”。因此,并行R函数的运行时间有时仍然不尽人意。本期小Q与大家分享R的另一提速方式:Rcpp之效率瓶颈突破。 1 什么是Rcpp 在往期的文章中曾讲过,我们在R中尽量采用向量化或内建函数运算,避免自编循环带来的额外时间消耗。然而,算法中有时难以避免循环,若循环部分耗时严重,直接并行含有该循环的算法显得力不从心,此时又该如何?稍有编程知识的读者可

Mrrunsen的博客 2262

TensorFlow 2.x 入门到实战:环境搭建、模型训练与部署指南

深度学习框架是人工智能开发的核心工具,其中TensorFlow凭借其完善的工业级生态,在生产部署、移动端与分布式训练场景中占据重要地位。理解神经网络的基本原理,包括张量运算与自动微分机制,是掌握框架用法的前提。TensorFlow 2.x通过Keras高层API大幅降低了建模门槛,配合tf.data数据流水线与GradientTape自定义训练循环,开发者可以灵活实现从简单分类器到复杂模型的构建与调优。在图像分类、推荐系统、金融风控等真实业务中,TensorFlow的SavedModel部署流程和Tenso

weixin_34005042的博客 428

Qt(C++)使用QChart动态显示3个设备的温度变化曲线

Qt的QChart是一个用于绘制图表和可视化数据的类。提供了一个灵活的、可扩展的、跨平台的图表绘制解决方案,可以用于各种应用程序,如数据分析、科学计算、金融交易等。

1918

用 Monk 快速搭建 Zalando 服装图像分类器

细粒度图像分类是计算机视觉中的基础任务,旨在区分外观高度相似的子类别,如不同款式的上衣或鞋类。其核心原理依赖于深度学习模型对局部纹理、轮廓结构和语义特征的联合建模能力,技术价值在于提升电商、零售等场景中商品识别的准确率与自动化水平。典型应用场景包括服装品类自动打标、智能货架识别及售后图片归类。Zalando Fashion MNIST 作为经典细粒度数据集,提供10类28×28灰度图像,天然适配轻量级部署需求;Monk 库则通过统一 API 封装 PyTorch 等后端,内置数据加载、增强与训练闭环,显著降

diegouyi3472的博客 342

手把手教你学Simulink——基于传统电网建模与稳定性分析的场景实例:基于同步发电机的单机无穷大系统建模与稳定性分析

本文详细介绍了使用MATLAB/Simulink进行单机无穷大系统(SMIB)建模与稳定性分析的方法。教程从系统结构设计入手,包含同步发电机、输电线路、无穷大母线等核心模块的建模步骤和参数配置示例。重点讲解了七个关键步骤:项目创建、模块配置、控制系统集成、负载添加(可选)以及仿真运行与结果分析,并提供了具体的MATLAB代码示例。最后通过性能评估指标(功角差、电压跌落、频率偏差)分析系统稳定性,为电力系统动态特性研究提供了实用指导,强调准确参数设置对仿真结果的重要性。

MHD0815的博客 302

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

TFRecord读写简介+Demo 基于Ubuntu18.04+Tensorflow1.12 无WARNING

简介 TFRecord是TensorFlow官方推荐使用的数据格式化存储工具。 它规范了数据的读写方式。 只要生成一次TFRecord,之后的数据读取和加工处理的效率都会得到提高。 将图片转换成TFRecord 本例,将fashion-MNIST数据转换成TFRecord,需要先下载fashion数据集到当前目录下,参考:https://github.com/zalandores...

weixin_30781433的博客 107

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

TensorFlow服装图像分类实战:迁移学习与移动端部署

图像分类是计算机视觉的基础任务,其核心在于从像素中提取判别性特征并映射到语义类别。原理上依赖卷积神经网络的层次化特征表达能力,通过局部感受野、权值共享和池化操作实现平移不变性与鲁棒性。技术价值体现在将人类视觉经验转化为可复用、低延迟、高一致性的自动化能力,显著提升电商商品管理、智能导购与库存运营效率。典型应用场景包括手机端拍照识款、后台批量打标、退货原因自动归因等。本文聚焦TensorFlow框架下的服装细粒度分类实践,深度融合迁移学习与AutoAugment数据增强,兼顾精度与TFLite移动端部署约束,

diegouyi3472的博客 323

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

2026深度学习框架选型指南:PyTorch为主,TensorFlow场景解析

深度学习入门绕不开框架选择,而计算图、自动求导、神经网络这些基础概念,是理解一切框架的起点。PyTorch与TensorFlow作为两大主流框架,设计理念差异明显:PyTorch采用动态计算图,贴近Python原生写法,调试直观,已成为学术研究与开源社区的首选;TensorFlow则凭静态图优化和成熟部署工具链,在工业生产和移动端推理中仍占一席之地。选型不是追逐热度,而应结合自身场景与团队现状。对新手而言,环境搭建与GPU配置往往是第一道坎,掌握虚拟环境和CUDA匹配技巧,就能顺利跑通最小示例。理解框架各自

weixin_34294649的博客 423

深度学习代码能力提升:从环境搭建到工程化部署的完整实践指南

深度学习作为人工智能的核心技术,其工程实践能力是算法落地的关键。理解其原理后,如何将理论转化为高效、健壮的代码,是开发者面临的核心挑战。这涉及到从环境配置、数据处理、模型训练到性能优化的全链路技术实践。通过项目驱动的学习路径,开发者可以系统掌握模块化设计、调试技巧和性能分析工具,从而提升代码的可维护性和执行效率。本文聚焦于PyTorch/TensorFlow框架下的具体实践,通过构建标准化的项目结构、封装可复用的训练循环,并集成性能分析与简易部署,帮助初学者和转型开发者快速跨越从“代码能跑”到“代码高效”的

weixin_34342992的博客 308

生成式AI实战:从GAN/VAE模型到图像生成与存储原理

生成式人工智能是当前AI领域的前沿方向,其核心在于让机器学会创造新的数据。其基本原理是通过深度神经网络学习真实数据的分布,进而生成具有相似特征的新样本。在技术价值上,生成模型不仅推动了图像、音频、文本等内容的自动化创作,更成为理解数据本质和进行数据增强的关键工具。典型的应用场景包括艺术创作、游戏开发、药物发现和缺失数据补全等。本文聚焦于生成对抗网络(GAN)和变分自编码器(VAE)这两大奠基性模型,深入探讨其训练技巧、稳定性问题以及如何生成高质量的真实图像。课程项目还罕见地将AI生成的数据与磁存储底层原理联

weixin_30892889的博客 405

用多层感知机(MLP)实现AI绘画:从原理到实践的简化图像生成教程

图像生成是人工智能领域的重要分支,其核心原理是学习从某种条件表示(如文本、标签)到图像像素的复杂映射关系。多层感知机(MLP)作为最基础的前馈神经网络,通过多个隐藏层和非线性激活函数,能够拟合这种非线性映射,是理解深度学习生成任务的理想起点。在工程实践中,MLP可用于构建简单的概念到图像的生成器,例如将标签编码映射为低分辨率图标。虽然其生成能力有限,无法处理高分辨率或复杂空间关系,但这一过程清晰地揭示了生成模型底层的工作逻辑,为后续学习卷积神经网络(CNN)、生成对抗网络(GAN)等更先进的图像生成技术奠定

weixin_30258901的博客 341
上一篇: 学习计算机视觉之目标检测的总结
下一篇: Java-springboot生鲜电商项目(零)开发前言
bingbing0607
博客等级 码龄9年 74粉丝 26原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值