基于华为开发者空间Notebook，Tensorflow + Fashion MNIST构建CNN实现智能衣柜服装分类系统

原创 于 2025-11-21 10:30:24 发布 · 1k 阅读 · 31 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#AI

一、概述

1. 案例介绍

华为开发者空间 ，是为全球开发者打造的专属开发者空间，致力于为每位开发者提供一台云主机、一套开发工具和云上存储空间，汇聚昇腾、鸿蒙、鲲鹏、GaussDB、欧拉等华为各项根技术的开发工具资源，并提供配套案例指导开发者从开发编码到应用调测，基于华为根技术生态高效便捷的知识学习、技术体验、应用创新。

开发者空间 - AI Notebook 是基于EulerOS 2.9的集成AI开发平台，专为昇腾生态优化。核心配置包含1*昇腾910B NPU、8vCPU和24GB内存，提供强大的AI计算能力。环境预置完整技术栈：Python 3.10运行环境、PyTorch 2.1深度学习框架、CANN 8.0异构计算架构和OpenMind 0.9.1开发工具集，通过Jupyter Notebook提供交互式开发体验。平台充分发挥昇腾硬件性能，为开发者提供开箱即用的全栈AI解决方案。

本案例基于开发者空间 - AI Notebook ，使用Fashion-MNIST数据集，构建了一个智能衣柜服装分类系统，展示了深度学习技术在实际生活场景中的应用价值。系统采用卷积神经网络（CNN）架构，实现了对10类服装物品的精准识别，准确率达到93.75%。

案例验证了深度学习在服装识别领域的技术可行性，为智能衣柜管理、电商商品分类、穿搭推荐等场景提供了技术原型。系统具有良好的扩展性，可进一步发展为移动端应用或云端服务，具备显著的商业应用潜力。

2. 适用对象

  • 企业
  • 个人开发者
  • 高校学生

3. 案例时间

本案例总时长预计120分钟。

4. 案例流程

说明：

  1. 领取华为开发者空间，登录AI Notebook平台；
  2. 从GitCode下载代码，安装项目依赖；
  3. 执行项目代码，获取智能衣柜服装分类系统运行报告。

5. 资源总览

本案例预计花费0元。

资源名称规格单价（元）时长（分钟）
开发者空间 - AI Notebook NPU basic · 1 * NPU 910B · 8v CPU · 24GB | euler2.9-py310-torch2.1.0-cann8.0-openmind0.9.1-notebook免费120

二、基础环境准备

1. 进入开发者空间 - AI Notebook

面向广大AI开发者群体，华为开发者空间 提供免费昇腾NPU资源的Notebook ，方便开发者学习昇腾相关的专业知识以及配套实验。

进入华为开发者空间 - 工作台 ，找到我的开发工具板块 > AI Notebook，点立即前往。

进入AI Notebook界面，选中NPU环境，点立即启动。

等待NPU环境启动，完成后，点查看Notebook。

进入Notebook界面，在笔记本点Python 3（ipykernel）。系统自动创建Untitled.ipynb。

2. 获取项目源码

在Notebook界面Untitled.ipynb第一个cell中执行如下命令：

!git clone https://gitcode.com/sinat_41661654/SmartWardrobe.git

代码下载完后，项目工程自动下载到本地SmartWardrobe目录下。

三、项目部署

项目核心模块结构如下：

SmartWardrobeProject
        ├── SmartWardrobeProject   # 项目主控制器，系统入口
        ├── SystemConfig           # 统一管理系统配置参数，结果目录管理
        ├── DataManager            # 数据加载和预处理，服装类别定义
        ├── DataAnalyzer           # 数据探索和可视化，业务洞察生成
        ├── ModelBuilder           # CNN模型构建，训练流程管理
        ├── ModelEvaluator         # 性能评估和分析，可视化报告生成
        ├── SmartWardrobeSystem    # 实时预测功能，系统演示界面
        ├── ErrorAnalyzer          # 错误模式识别

1. 安装必要的依赖

在SmartWardrobe目录下打开SmartWardrobe.ipynb文件，执行第一个cell下的命令，安装依赖包：

!pip install -r requirements.txt

依赖包版本：

typing-extensions==4.5.0
scikit-learn==1.3.0
markupsafe==2.1.1
tensorflow==2.13.0
numpy==1.24.3
matplotlib==3.7.2
seaborn==0.12.2
pandas==2.0.3

注：若出现如下报错，是版本冲突导致的，不影响项目实际运行，再次执行安装命令即可。

2. SystemConfig - 系统配置

核心功能：

  1. 统一管理系统配置参数；
  2. 结果目录管理。

项目源码：

主控制器执行之后的结果：

在/SmartWardrobe目录下创建/smart_wardrobe_results目录。

3. DataManager - 数据管理类

核心功能：

  1. 数据加载和预处理；
  2. 定义服装类别和业务属性。

项目源码：

主控制器执行之后的结果：主控制器执行之后，输出如下日志信息

Starting Smart Wardrobe Project Pipeline
****************************** 1. 数据加载和预处理 ******************************
Loading Fashion-MNIST dataset...
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
29515/29515 [==============================] - 0s 9us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
26421880/26421880 [==============================] - 4s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
5148/5148 [==============================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4422102/4422102 [==============================] - 2s 0us/step
Dataset loaded: Train (60000, 28, 28, 1), Test (10000, 28, 28, 1)

4. DataAnalyzer - 数据分析器

核心功能：

  1. 数据探索和可视化；
  2. 业务洞察生成。

项目源码：

主控制器执行之后的结果：

****************************** 2. 数据分析 ******************************
Performing comprehensive data analysis...
Business Insights:
• Most common category: T-Shirt/Top
• Least common category: T-Shirt/Top
• All-season clothing: 50.0%
  1. 生成业务洞察。
  1. 样本展示。

注：图片自动存储于/SmartWardrobe/smart_wardrobe_results/目录下。

5. ModelBuilder - 模型构建和训练

核心功能：

  1. CNN模型构建；
  2. 训练流程管理。

项目源码：

主控制器执行之后的结果：

  1. 构建CNN模型
****************************** 3. 模型构建和训练 ******************************
Building CNN model...
Model built successfully
Model: "sequential"
________________________________________________________________________________________
 Layer (type)                                       Output Shape              Param #   
========================================================================================
 conv2d (Conv2D)                                  (None, 28, 28, 32)           320  
 batch_normalization (Batch  Normalization)       (None, 28, 28, 32)           128       
 max_pooling2d (MaxPooling2D)                     (None, 14, 14, 32)            0                       
 dropout (Dropout)                                (None, 14, 14, 32)            0                                     
 conv2d_1 (Conv2D)                                (None, 14, 14, 64)          18496                    
 batch_normalization_1 (Bat chNormalization)      (None, 14, 14, 64)           256                                                       
 max_pooling2d_1 (MaxPooling2D)                   (None, 7, 7, 64)              0         
 dropout_1 (Dropout)                              (None, 7, 7, 64)              0               
 conv2d_2 (Conv2D)                                (None, 7, 7, 128)           73856                         
 batch_normalization_2 (Bat chNormalization)      (None, 7, 7, 128)            512                                
 dropout_2 (Dropout)                              (None, 7, 7, 128)             0                               
 flatten (Flatten)                                (None, 6272)                  0                      
 dense (Dense)                                    (None, 256)                1605888                              
 batch_normalization_3 (Bat chNormalization)      (None, 256)                 1024                     
 dropout_3 (Dropout)                              (None, 256)                   0                                             
 dense_1 (Dense)                                  (None, 10)                   2570                                     
=================================================================
Total params: 1703050 (6.50 MB)
Trainable params: 1702090 (6.49 MB)
Non-trainable params: 960 (3.75 KB)
_________________________________________________________________
  1. 训练模型

6. ModelEvaluator - 模型评估器

核心功能：

  1. 性能评估和分析；
  2. 可视化报告生成。

项目源码：

主控制器执行之后：

****************************** 4. 模型评估 ******************************
Performing comprehensive model evaluation...
Model Performance:
Test Accuracy: 0.9368 (93.68%)

Class-wise Performance:
GOOD       | T-Shirt/Top     | Accuracy: 0.894
EXCELLENT   | Trouser         | Accuracy: 0.990
EXCELLENT   | Pullover        | Accuracy: 0.911
EXCELLENT   | Dress           | Accuracy: 0.955
GOOD       | Coat            | Accuracy: 0.863
EXCELLENT   | Sandal          | Accuracy: 0.986
FAIR        | Shirt           | Accuracy: 0.830
EXCELLENT   | Sneaker         | Accuracy: 0.982
EXCELLENT   | Bag             | Accuracy: 0.990
EXCELLENT   | Ankle Boot      | Accuracy: 0.967
  1. 全面模型评估。

注：图片自动存储于/SmartWardrobe/smart_wardrobe_results/目录下。

7. SmartWardrobeSystem - 智能衣柜系统

核心功能：

  1. 实时预测功能；
  2. 系统演示界面。

项目源码：

主控制器执行之后，性能演示：

****************************** 5. 系统演示 ******************************
Smart Wardrobe System Demonstration
==================================================
Sample  1: Misclassified - True: Pullover, Pred: Sneaker
Sample  2: Misclassified - True: Ankle Boot, Pred: Sneaker
Sample  3: Misclassified - True: T-Shirt/Top, Pred: Sneaker
Sample  4: Misclassified - True: Coat, Pred: Sneaker
Sample  5: Misclassified - True: Trouser, Pred: Sneaker
Sample  6: Misclassified - True: Bag, Pred: Sneaker
Sample  7: Misclassified - True: Sandal, Pred: Sneaker
Sample  8: Correctly identified as Sneaker
Sample  9: Misclassified - True: Sandal, Pred: Sneaker
Sample 10: Misclassified - True: Shirt, Pred: Sneaker
Sample 11: Misclassified - True: Dress, Pred: Sneaker
Sample 12: Misclassified - True: Dress, Pred: Sneaker
/tmp/ipykernel_107/2759040002.py:80: UserWarning: Glyph 10060 (\N{CROSS MARK}) missing from current font.
  plt.tight_layout()
/tmp/ipykernel_107/2759040002.py:80: UserWarning: Glyph 9989 (\N{WHITE HEAVY CHECK MARK}) missing from current font.
  plt.tight_layout()
/tmp/ipykernel_107/2759040002.py:81: UserWarning: Glyph 10060 (\N{CROSS MARK}) missing from current font.
  plt.savefig(f'{self.data_manager.config.RESULTS_DIR}/04_system_demo.png',
/tmp/ipykernel_107/2759040002.py:81: UserWarning: Glyph 9989 (\N{WHITE HEAVY CHECK MARK}) missing from current font.
  plt.savefig(f'{self.data_manager.config.RESULTS_DIR}/04_system_demo.png',
/home/service/.local/lib/python3.10/site-packages/IPython/core/pylabtools.py:170: UserWarning: Glyph 10060 (\N{CROSS MARK}) missing from current font.
  fig.canvas.print_figure(bytes_io, **kw)
/home/service/.local/lib/python3.10/site-packages/IPython/core/pylabtools.py:170: UserWarning: Glyph 9989 (\N{WHITE HEAVY CHECK MARK}) missing from current font.
  fig.canvas.print_figure(bytes_io, **kw)

Demo Performance: 1/12 (8.3%)

注：图片自动存储于/SmartWardrobe/smart_wardrobe_results/目录下。

8. ErrorAnalyzer - 错误分析器

核心功能：

  1. 错误模式识别；
  2. 改进建议生成。

项目源码：

主控制器执行之后，常见的错误分析：

****************************** 6. 错误分析 ******************************
Analyzing classification errors...
Total errors: 632 (6.32%)

Most Common Errors:
  T-Shirt/Top     → Shirt           :  80 occurrences
  Shirt           → T-Shirt/Top     :  71 occurrences
  Coat            → Shirt           :  59 occurrences
  Coat            → Pullover        :  50 occurrences
  Pullover        → Shirt           :  49 occurrences

注：图片自动存储于/SmartWardrobe/smart_wardrobe_results/目录下。

9. 运行智能衣柜项目

核心功能：

  1. 项目主控制器；
  2. 生成项目总结
  3. 系统入口。

项目源码：

主控制器执行之后，生成项目总结：

============================================================
PROJECT SUMMARY
============================================================
Final Test Accuracy: 0.9368 (93.68%)
Training Time: 5115.1 seconds
Model Parameters: 1,703,050
Deployment Status: GOOD - Suitable for most applications
============================================================
Project completed successfully!

至此，基于华为开发者空间Notebook，Tensorflow + Fashion MNIST构建CNN实现智能衣柜服装分类系统结束了，开发者快来华为开发者空间 - Notebook平台 实操吧。

博客
优快云高校俱乐部招募啦，你还在等什么？
01-14 6万+
高校俱乐部招募啦！想成立组织的快看过来。什么是高校俱乐部？优快云高校俱乐部是由优快云发起，大学生自发加入的IT技术学习型组织。俱乐部至今已收到数百所高校成立技术社团的申请，已在全国100多所高校建立技术社团。我们的使命是提高高校学生的技术能力，为行业储备技术人才，为国家数字化战略贡献力量。我们的定位是聚焦高校IT技术爱好者，打造全国最大的高校技术社群。是通过构建系统化的内容和运营体系，将优快云打造成大学生学习、成长和求职的活跃主阵地，形成规模最大的大学生动态简历库。1024程.
博客
基于开发者空间OpenGauss数据库的PLPGSQL实践一
11-21 388
基于开发者空间OpenGauss数据库的PLPGSQL实践一
博客
开发者空间里玩转MySQL之事务与锁
11-21 302
开发者空间里玩转MySQL之事务与锁
博客
基于开发者空间OpenGauss数据库的PLPGSQL实践二
11-21 684
基于开发者空间OpenGauss数据库的PLPGSQL实践二
博客
在云主机实现一键运行Python小游戏
11-21 256
在云主机实现一键运行Python小游戏
博客
仓颉之并发编程的速度激情
11-21 275
仓颉之并发编程的速度激情
博客
仓颉宏实现语言集成查询LINQ
11-21 283
仓颉宏实现语言集成查询LINQ
博客
FastGPT问答系统实战：知识库检索×联网搜索
11-21 401
FastGPT问答系统实战：知识库检索×联网搜索
博客
开发者空间里玩转MySQL之视图与索引
11-21 311
开发者空间里玩转MySQL之视图与索引
博客
基于华为开发者空间从0实现一个MCP Server
11-21 485
基于华为开发者空间从0实现一个MCP Server
博客
仓颉之反射和注解的神秘力量
11-21 819
仓颉之反射和注解的神秘力量
博客
开发者空间里玩转MySQL之存储过程与触发器
11-21 352
开发者空间里玩转MySQL之存储过程与触发器
博客
仓颉之IO操作的交互奥秘
11-21 371
仓颉之IO操作的交互奥秘
博客
开发者空间里玩转MySQL之基础知识与表创建
11-21 373
开发者空间里玩转MySQL之基础知识与表创建
博客
【案例共创】在华为开发者空间高效部署Solo博客
11-21 272
【案例共创】在华为开发者空间高效部署Solo博客
博客
仓颉之编译和构建的奇妙旅程
11-21 408
仓颉之编译和构建的奇妙旅程
博客
昇腾数据探险家：挖掘数据的隐藏宝藏
11-21 1000
昇腾数据探险家：挖掘数据的隐藏宝藏
博客
【案例共创】使用华为开发者空间搭建WordPress博客平台
11-21 1051
【案例共创】使用华为开发者空间搭建WordPress博客平台
博客
开发者空间里玩转MySQL之表数据操作 - 查询
11-21 631
开发者空间里玩转MySQL之表数据操作 - 查询
博客
开发者空间里玩转MySQL之安全与备份
11-21 321
开发者空间里玩转MySQL之安全与备份
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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