TensorFlow2 Python深度学习 - 卷积神经网络示例2-使用Fashion MNIST识别时装示例

锋哥原创的TensorFlow2 Python深度学习视频教程：

https://www.bilibili.com/video/BV1X5xVz6E4w/

课程介绍

本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。

TensorFlow2 Python深度学习 - 卷积神经网络示例2-使用Fashion MNIST识别时装示例

Fashion MNIST数据集介绍

Fashion MNIST 是一个由 Zalando 公司发布的图像分类数据集，通常用于机器学习和计算机视觉任务，特别是图像分类的研究。它可以作为 MNIST 数据集（手写数字图像分类）的替代，因为它包含了更多的实际应用场景，并且数据类型更加复杂。Fashion MNIST 被广泛应用于算法验证和基准测试。

数据集特点

图像尺寸：每张图像是 28x28 像素的灰度图。
类别：该数据集包含 10 类不同的服饰产品。具体类别包括：
1. T恤/上衣（T-shirt/top）
2. 裙子（Trouser）
3. 套头衫（Pullover）
4. 连衣裙（Dress）
5. 外套（Coat）
6. 凉鞋（Sandal）
7. 衬衫（Shirt）
8. 运动鞋（Sneaker）
9. 包（Bag）
10. 踝靴（Ankle boot）
这些图像是灰度图像，意味着每个像素的值在 0 到 255 之间，表示不同的灰度强度。

数据集构成

训练集：包含 60,000 张图像，均匀分布在 10 个类别中。
测试集：包含 10,000 张图像，用于评估模型的性能。

使用场景

Fashion MNIST 被用作初学者和研究者训练和测试图像分类模型的标准数据集。它的难度适中，适合用于以下应用：

深度学习入门：用于神经网络（尤其是卷积神经网络）的训练。
算法对比：不同机器学习算法的性能比较。
特征提取与学习：用于测试特征工程和表示学习方法。
图像分类基础：了解和练习分类任务。

卷积神经网络示例2-使用Fashion MNIST识别时装示例

复制代码

import tensorflow as tf
from keras import Input, layers
from matplotlib import pyplot as plt

# 1,加载Fashion MINIST数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.fashion_mnist.load_data()
print(x_train.shape, y_train.shape)
print(x_test.shape, y_test.shape)
print(x_train[0], x_train[0].shape)
print(y_train, y_train.shape)

# 2,数据预处理
x_train = x_train / 255.0  # 归一化
x_test = x_test / 255.0  # 归一化
print(x_train[0], x_train[0].shape)
# 将数据重塑为 (样本数, 高, 宽, 通道数) 的形状
print(x_train, x_train.shape)
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)
print(x_train, x_train.shape)

# 3,构建CNN模型
model = tf.keras.models.Sequential([
    Input(shape=(28, 28, 1)),
    layers.Conv2D(32, (3, 3), activation='relu'),  # 第一卷积层，卷积核大小3x3，滤波器数为32，ReLU激活函数
    layers.MaxPooling2D((2, 2)),  # 第一池化层，2x2最大池化
    layers.Conv2D(64, (3, 3), activation='relu'),  # 第二卷积层，卷积核大小3x3，滤波器数为64，ReLU激活函数
    layers.MaxPooling2D((2, 2)),  # 第二池化层，2x2最大池化
    layers.Conv2D(128, (3, 3), activation='relu'),  # 第三卷积层，卷积核大小3x3，滤波器数为64，ReLU激活函数
    layers.MaxPooling2D((2, 2)),  # 第三池化层，2x2最大池化
    layers.Flatten(),  # 展平层 将二维特征图展平为一维
    layers.Dense(512, activation='relu'),  # 全连接层，512个神经元，ReLU激活函数
    layers.Dense(10, activation='softmax')  # 输出层，10个神经元（对应数字0-9），softmax激活函数
])

# 4,模型编译
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy']
              )

# 5,模型训练
history = model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), verbose=1)

# 6,模型评估
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")

项目运行结果：

可视化训练过程：

复制代码

# 7,可视化训练过程
# 设置matplotlib使用黑体显示中文
plt.rcParams['font.family'] = 'Microsoft YaHei'

plt.plot(history.history['accuracy'], label='训练准确率')
plt.plot(history.history['val_accuracy'], label='验证准确率')
plt.xlabel('轮次')
plt.ylabel('准确率')
plt.legend()
plt.show()

预测结果：

复制代码

# 预测测试集中的一张图片
predictions = model.predict(x_test)

# 显示第一个预测结果
print(f"Predicted label: {predictions[0].argmax()}")
print(f"True label: {y_test[0]}")

# 显示第一张图片
plt.imshow(x_test[0].reshape(28, 28), cmap='gray')
plt.show()