tensorflow学习笔记1——基本分类：对服装图像进行分类

参考TensorFlow官方教程：https://tensorflow.google.cn/tutorials/keras/classification?hl=zh_cn
ps:加载数据集那里需要特别注意下，有可能报错。出现报错只需要复制链接手动下载数据集复制到相应目录下重新运行程序即可。关于这个可以参考：https://blog.youkuaiyun.com/fuzizhu1/article/details/103421643

代码：

# 使用tensorflow构建一个用于服装分类的NN

import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
#
# # 导入和加载数据集
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
#
# # 电影评论数据集
# # imdb = keras.datasets.imdb
# #
# # (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)
#
# 服装类别的名称
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

# 浏览数据格式
# 训练数据集中有60000张28*28像素的图像
print(train_images.shape)

# # 预览训练数据
# plt.figure()
# plt.imshow(train_images[0])
# plt.colorbar()
# plt.grid(False)
# plt.show()

# 数据集标准化，以便输入NN进一步处理
train_images = train_images / 255.0
test_images = test_images / 255.0

# 验证标准化后的数据是否正确
# 经测试，数据正确
plt.figure(figsize=(10, 10))
for i in range(25):
    plt.subplot(5, 5, i + 1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])
plt.show()

# 设置模型的层
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),# 将图像二维数组-》一维数组
    keras.layers.Dense(128, activation='relu'),# 128个节点的隐藏层
    keras.layers.Dense(10)# 10个节点的输出层，分别表示输入是10个类别中各个类别的概率
])

# 编译模型（设置模型的损失函数优化方案等）
model.compile(
    optimizer='adam',
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=['accuracy']
)

# 用训练集训练模型，也就是拟合函数
model.fit(train_images, train_labels, epochs=10)

# 测试模型在测试数据集上面的表现
# 模型在测试数据集上面的表现一般会比训练数据集上差一些
# 原因是训练过程中出现了过拟合现象
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('训练好的模型在测试数据集上的准确率为：')
print(test_acc)

# 建立概率模型，将NN模型的输出转换为更容易理解的概率
# 其实就是在NN模型的后面加一层
probability_model = tf.keras.Sequential([
    model, tf.keras.layers.Softmax()
])

# 用修改后的NN模型预测图像的标签
predictions = probability_model.predict(test_images)
# 打印模型对第一张图片的预测
# 输出是10个数字，代表这张图片属于各个类别的概率
print(predictions[0])
mIndex = np.argmax(predictions[0])
print(mIndex)
print('模型对第一章图片的判断：这是只 ', class_names[mIndex])
print('而第一张图片表示的实际是 ', class_names[test_labels[0]])


# 将模型的输出结果画成图表
def plot_image(i, predictions_array, true_label, img):
    predictions_array, true_label, img = predictions_array, true_label[i], img[i]
    plt.grid(False)
    plt.xticks([])# 设置xy轴
    plt.yticks([])

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

    predicted_label = np.argmax(predictions_array)
    if predicted_label == true_label:
        color = 'blue'
    else:
        color = 'red'

    # 图像的横坐标细节
    plt.xlabel('{} {:2.0f}% ({})'.format(
        class_names[predicted_label],
        100 * np.max(predictions_array),
        class_names[true_label]),
        color=color
    )

# predictions_array表示的是某张图片的预测数组
def plot_value_array(i, predictions_array, true_label):
    predictions_array, true_label = predictions_array, true_label[i]
    plt.grid(False)
    plt.xticks(range(10))
    plt.yticks([])
    thisplot = plt.bar(range(10), predictions_array, color='#777777')
    plt.ylim([0, 1])
    predicted_label = np.argmax(predictions_array)

    thisplot[predicted_label].set_color('red')
    thisplot[true_label].set_color('blue')

# print('对第一张图片的预测结果可视化……')
# 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()
#
# print('对第13张图片的预测结果可视化……')
# 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()

# 所有预测结果可视化
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()



# 使用训练好的模型
img = test_images[1]
print(img.shape)
img = (np.expand_dims(img, 0))
print(img.shape)
predictions_single = probability_model.predict(img)
print('对单张图片的预测结果为：')
print(predictions_single)
plot_value_array(1, predictions_single[0], test_labels)
plt.xticks(range(10), class_names, rotation=45)
print(np.argmax(predictions_single[0]))

运行结果：