最全tensorflow2.0學(xué)習(xí)路線 https://www.mashangxue123.com
最新版本：https://www.mashangxue123.com/tensorflow/tf2-tutorials-keras-basic_classification.html
英文版本：https://tensorflow.google.cn/alpha/tutorials/keras/basic_classification
翻譯建議PR：https://github.com/mashangxue/tensorflow2-zh/edit/master/r2/tutorials/keras/basic_classification.md

本指南會(huì)訓(xùn)練一個(gè)對(duì)服飾（例如運(yùn)動(dòng)鞋和襯衫）圖像進(jìn)行分類的神經(jīng)網(wǎng)絡(luò)模型茁计。即使您不了解所有細(xì)節(jié)也沒關(guān)系薄货，本教程只是簡(jiǎn)要介紹了一個(gè)完整的 TensorFlow 程序优俘，而且后續(xù)我們會(huì)詳細(xì)介紹曹傀。

本指南使用的是tf.keras，它是一種用于在 TensorFlow 中構(gòu)建和訓(xùn)練模型的高階 API端辱。

安裝

pip install tensorflow==2.0.0-alpha0

導(dǎo)入相關(guān)庫(kù)

from __future__ import absolute_import, division, print_function, unicode_literals

# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras

# Helper libraries
import numpy as np
import matplotlib.pyplot as plt

print(tf.__version__)

1. 導(dǎo)入MNIST數(shù)據(jù)集

本指南使用Fashion MNIST數(shù)據(jù)集，其中包含 70000 張灰度圖像，涵蓋 10 個(gè)類別髓帽。以下圖像顯示了單件服飾在較低分辨率（28x28 像素）下的效果：

<table>
<tr><td>
<img src="https://tensorflow.google.cn/images/fashion-mnist-sprite.png"
alt="Fashion MNIST sprite" width="600">
</td></tr>
<tr><td align="center">
<b>Figure 1.</b> <a >Fashion-MNIST 樣本</a>
</td></tr>
</table>

Fashion MNIST 的作用是成為經(jīng)典 MNIST 數(shù)據(jù)集的簡(jiǎn)易替換，后者通常用作計(jì)算機(jī)視覺機(jī)器學(xué)習(xí)程序的“Hello, World”入門數(shù)據(jù)集脑豹。MNIST數(shù)據(jù)集包含手寫數(shù)字（0氢卡、1、2 等）的圖像晨缴，這些圖像的格式與我們?cè)诒窘坛讨惺褂玫姆棃D像的格式相同译秦。

本指南使用 Fashion MNIST 實(shí)現(xiàn)多樣化，并且它比常規(guī) MNIST更具挑戰(zhàn)性击碗。這兩個(gè)數(shù)據(jù)集都相對(duì)較小筑悴，用于驗(yàn)證某個(gè)算法能否如期正常運(yùn)行。它們都是測(cè)試和調(diào)試代碼的良好起點(diǎn)稍途。

我們將使用 60000 張圖像訓(xùn)練網(wǎng)絡(luò)阁吝，并使用 10000 張圖像評(píng)估經(jīng)過學(xué)習(xí)的網(wǎng)絡(luò)分類圖像的準(zhǔn)確率。您可以從 TensorFlow 直接訪問 Fashion MNIST械拍，只需導(dǎo)入和加載數(shù)據(jù)即可：

fashion_mnist = keras.datasets.fashion_mnist

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

加載數(shù)據(jù)返回4個(gè)NumPy數(shù)組：

• train_images和train_labels數(shù)組是訓(xùn)練集突勇，即模型用于學(xué)習(xí)的數(shù)據(jù)装盯。
• 測(cè)試集 test_images 和 test_labels 數(shù)組用于測(cè)試模型。

圖像為28x28的NumPy數(shù)組甲馋，像素值介于0到255之間埂奈。標(biāo)簽是整數(shù)數(shù)組，介于0到9之間定躏。這些標(biāo)簽對(duì)應(yīng)于圖像代表的服飾所屬的類別：

image.png

每個(gè)圖像都映射到一個(gè)標(biāo)簽账磺，由于類名不包含在數(shù)據(jù)集中，因此將它們存儲(chǔ)在此處以便在繪制圖像時(shí)使用：

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

2. 探索數(shù)據(jù)

我們先探索數(shù)據(jù)集的格式痊远，然后再訓(xùn)練模型垮抗。以下內(nèi)容顯示訓(xùn)練集中有 60000 張圖像，每張圖像都表示為 28x28 像素：

train_images.shape

(60000, 28, 28)

同樣碧聪，訓(xùn)練集中有60,000個(gè)標(biāo)簽：

len(train_labels)

60000

每個(gè)標(biāo)簽都是0到9之間的整數(shù)：

train_labels

array([9, 0, 0, ..., 3, 0, 5], dtype=uint8)

測(cè)試集中有10,000個(gè)圖像冒版。同樣，每個(gè)圖像表示為28 x 28像素：

test_images.shape

(10000, 28, 28)

測(cè)試集包含10,000個(gè)圖像標(biāo)簽：

len(test_labels)

10000

3. 預(yù)處理數(shù)據(jù)

在訓(xùn)練網(wǎng)絡(luò)之前必須對(duì)數(shù)據(jù)進(jìn)行預(yù)處理逞姿。 如果您檢查訓(xùn)練集中的第一個(gè)圖像辞嗡，您將看到像素值落在0到255的范圍內(nèi)：

plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
plt.show()

image

我們將這些值縮小到 0 到 1 之間，然后將其饋送到神經(jīng)網(wǎng)絡(luò)模型哼凯。為此欲间，將圖像組件的數(shù)據(jù)類型從整數(shù)轉(zhuǎn)換為浮點(diǎn)數(shù)，然后除以 255断部。以下是預(yù)處理圖像的函數(shù)：

務(wù)必要以相同的方式對(duì)訓(xùn)練集和測(cè)試集進(jìn)行預(yù)處理：

train_images = train_images / 255.0

test_images = test_images / 255.0

為了驗(yàn)證數(shù)據(jù)的格式是否正確以及我們是否已準(zhǔn)備好構(gòu)建和訓(xùn)練網(wǎng)絡(luò)猎贴，讓我們顯示訓(xùn)練集中的前25個(gè)圖像，并在每個(gè)圖像下方顯示類名蝴光。

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()

png

4. 構(gòu)建模型

構(gòu)建神經(jīng)網(wǎng)絡(luò)需要配置模型的層她渴，然后編譯模型。

4.1. 設(shè)置圖層

神經(jīng)網(wǎng)絡(luò)的基本構(gòu)造塊是層蔑祟。層從饋送到其中的數(shù)據(jù)中提取表示結(jié)果趁耗。希望這些表示結(jié)果有助于解決手頭問題。

大部分深度學(xué)習(xí)都會(huì)把簡(jiǎn)單的層連在一起疆虚。大部分層（例如 tf.keras.layers.Dense）都具有在訓(xùn)練期間要學(xué)習(xí)的參數(shù)苛败。

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

該網(wǎng)絡(luò)中的第一層tf.keras.layers.Flatten將圖像的格式從二維數(shù)組（28 x 28像素）轉(zhuǎn)換為一維數(shù)組（28 * 28 = 784像素））【恫荆可以將該層視為圖像中像素未堆疊的行罢屈，并排列這些行。該層沒有要學(xué)習(xí)的參數(shù)篇亭；它只改動(dòng)數(shù)據(jù)的格式缠捌。

在像素被展平之后，網(wǎng)絡(luò)由兩個(gè)tf.keras.layers.Dense層的序列組成译蒂。這些是密集連接或全連接的神經(jīng)層曼月。第一個(gè)Dense層有128個(gè)節(jié)點(diǎn)（或神經(jīng)元）谊却。第二個(gè)（也是最后一個(gè)）層是具有 10 個(gè)節(jié)點(diǎn)的 softmax 層，該層會(huì)返回一個(gè)具有 10 個(gè)概率得分的數(shù)組哑芹，這些得分的總和為 1炎辨。每個(gè)節(jié)點(diǎn)包含一個(gè)得分，表示當(dāng)前圖像屬于 10 個(gè)類別中某一個(gè)的概率绩衷。

4.2. 編譯模型

模型還需要再進(jìn)行幾項(xiàng)設(shè)置才可以開始訓(xùn)練蹦魔。這些設(shè)置會(huì)添加到模型的編譯步驟：

• 損失函數(shù)：衡量模型在訓(xùn)練期間的準(zhǔn)確率激率。我們希望盡可能縮小該函數(shù)咳燕，以“引導(dǎo)”模型朝著正確的方向優(yōu)化。
• 優(yōu)化器：根據(jù)模型看到的數(shù)據(jù)及其損失函數(shù)更新模型的方式乒躺。
• 度量標(biāo)準(zhǔn)：用于監(jiān)控訓(xùn)練和測(cè)試步驟招盲。以下示例使用準(zhǔn)確率，即圖像被正確分類的比例嘉冒。

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

5. 訓(xùn)練模型

訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型需要以下步驟：

1. 將訓(xùn)練數(shù)據(jù)饋送到模型中曹货，在本示例中為 train_images 和 train_labels 數(shù)組。
2. 模型學(xué)習(xí)將圖像與標(biāo)簽相關(guān)聯(lián)讳推。
3. 我們要求模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)顶籽，在本示例中為 test_images 數(shù)組。我們會(huì)驗(yàn)證預(yù)測(cè)結(jié)果是否與 test_labels 數(shù)組中的標(biāo)簽一致银觅。

要開始訓(xùn)練礼饱，請(qǐng)調(diào)用 model.fit 方法，使模型與訓(xùn)練數(shù)據(jù)“擬合”：

model.fit(train_images, train_labels, epochs=5)

Epoch 1/5
60000/60000 [==============================] - 5s 87us/step - loss: 0.5033 - acc: 0.8242
......
Epoch 5/5
60000/60000 [==============================] - 5s 88us/step - loss: 0.2941 - acc: 0.8917

在模型訓(xùn)練期間究驴，系統(tǒng)會(huì)顯示損失和準(zhǔn)確率指標(biāo)镊绪。該模型在訓(xùn)練數(shù)據(jù)上的準(zhǔn)確率達(dá)到 0.88（即 88%）。

6. 評(píng)估精度

接下來洒忧，比較模型在測(cè)試數(shù)據(jù)集上的表現(xiàn)情況：

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

print('\nTest accuracy:', test_acc)

輸出：

10000/10000 [==============================] - 1s 50us/step
Test accuracy: 0.8734

結(jié)果表明蝴韭，模型在測(cè)試數(shù)據(jù)集上的準(zhǔn)確率略低于在訓(xùn)練數(shù)據(jù)集上的準(zhǔn)確率。訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率之間的這種差異表示出現(xiàn)過擬合(overfitting)熙侍。如果機(jī)器學(xué)習(xí)模型在新數(shù)據(jù)上的表現(xiàn)不如在訓(xùn)練數(shù)據(jù)上的表現(xiàn)榄鉴，也就是泛化性不好，就表示出現(xiàn)過擬合蛉抓。

7. 預(yù)測(cè)

模型經(jīng)過訓(xùn)練后庆尘，我們可以使用它對(duì)一些圖像進(jìn)行預(yù)測(cè)。

predictions = model.predict(test_images)

在本示例中芝雪，模型已經(jīng)預(yù)測(cè)了測(cè)試集中每張圖像的標(biāo)簽减余。我們來看看第一個(gè)預(yù)測(cè)：

predictions[0]

輸出：

array([6.2482708e-05, 2.4860196e-08, 9.7165821e-07, 4.7436039e-08,
       2.0804382e-06, 1.3316551e-02, 9.8731316e-06, 3.4591161e-02,
       1.2390658e-04, 9.5189297e-01], dtype=float32)

預(yù)測(cè)結(jié)果是一個(gè)具有 10 個(gè)數(shù)字的數(shù)組，這些數(shù)字說明模型對(duì)于圖像對(duì)應(yīng)于 10 種不同服飾中每一個(gè)服飾的“confidence（置信度）”惩系。我們可以看到哪個(gè)標(biāo)簽的置信度值最大：

np.argmax(predictions[0])

9

因此位岔，模型非常確信這張圖像是踝靴或?qū)儆?class_names[9]如筛。我們可以檢查測(cè)試標(biāo)簽以查看該預(yù)測(cè)是否正確：

test_labels[0]

9

我們可以將該預(yù)測(cè)繪制成圖來查看全部 10 個(gè)通道

def plot_image(i, predictions_array, true_label, img):
  predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
  plt.grid(False)
  plt.xticks([])
  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'

  plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                100*np.max(predictions_array),
                                class_names[true_label]),
                                color=color)

def plot_value_array(i, predictions_array, true_label):
  predictions_array, true_label = predictions_array[i], true_label[i]
  plt.grid(False)
  plt.xticks([])
  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')

讓我們看看第0個(gè)圖像，預(yù)測(cè)和預(yù)測(cè)數(shù)組抒抬。

i = 0
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions,  test_labels)
plt.show()

png

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

png

我們用它們的預(yù)測(cè)繪制幾張圖像杨刨。正確的預(yù)測(cè)標(biāo)簽為藍(lán)色，錯(cuò)誤的預(yù)測(cè)標(biāo)簽為紅色擦剑。數(shù)字表示預(yù)測(cè)標(biāo)簽的百分比（總計(jì)為 100）妖胀。請(qǐng)注意，即使置信度非常高惠勒，也有可能預(yù)測(cè)錯(cuò)誤赚抡。

# 繪制前X個(gè)測(cè)試圖像，預(yù)測(cè)標(biāo)簽和真實(shí)標(biāo)簽纠屋。 
# 用藍(lán)色標(biāo)記正確的預(yù)測(cè)涂臣，用紅色標(biāo)記錯(cuò)誤的預(yù)測(cè)。
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, test_labels, test_images)
  plt.subplot(num_rows, 2*num_cols, 2*i+2)
  plot_value_array(i, predictions, test_labels)
plt.show()

png

最后售担，使用訓(xùn)練的模型對(duì)單個(gè)圖像進(jìn)行預(yù)測(cè)赁遗。

# 從測(cè)試數(shù)據(jù)集中獲取圖像
img = test_images[0]

print(img.shape)

tf.keras模型已經(jīng)過優(yōu)化，可以一次性對(duì)樣本批次或樣本集進(jìn)行預(yù)測(cè)族铆。因此岩四，即使我們使用單個(gè)圖像，仍需要將其添加到列表中：

# 將圖像添加到批次中哥攘，它是唯一的成員剖煌。 
img = (np.expand_dims(img,0))

print(img.shape)

(1, 28, 28)

現(xiàn)在預(yù)測(cè)此圖像的正確標(biāo)簽：

predictions_single = model.predict(img)

print(predictions_single)

plot_value_array(0, predictions_single, test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)

png

model.predict返回一組列表，每個(gè)列表對(duì)應(yīng)批次數(shù)據(jù)中的每張圖像献丑。（僅）獲取批次數(shù)據(jù)中相應(yīng)圖像的預(yù)測(cè)結(jié)果：

np.argmax(predictions_single[0])

9

和前面的一樣末捣，模型預(yù)測(cè)標(biāo)簽為9。

最新版本：https://www.mashangxue123.com/tensorflow/tf2-tutorials-keras-basic_classification.html
英文版本：https://tensorflow.google.cn/alpha/tutorials/keras/basic_classification
翻譯建議PR：https://github.com/mashangxue/tensorflow2-zh/edit/master/r2/tutorials/keras/basic_classification.md