一、前期工作

1、设置GPU

import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")
1
2
3
4
5
6
7

2、导入数据

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

(train_images, train_labels), (test_images, test_labels) = datasets.fashion_mnist.load_data()
1
2
3
4
5

3、归一化

# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0

train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
1
2
3
4

加载数据集会返回四个Numpy数组：

train_images和train_labels数组是训练集，用于模型学习的数据；
test_images和test_labels数组是测试集，用于对模型进行测试。

图像是28 * 28的Numpy数组，像素值介于0-255之间。标签是整数数组，介于0-9之间。这些标签对应于图像所代表的服装类：

4、可视化

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

plt.figure(figsize=(20,10))
for i in range(20):
    plt.subplot(5,10,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap='gray')
    plt.xlabel(class_names[train_labels[i]])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12

5、调整图片格式

#调整数据到我们需要的格式
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))

train_images.shape,test_images.shape,train_labels.shape,test_labels.shape

1
2
3
4
5
6

二、构建CNN网络

卷积神经网络 (CNN) 的输入是张量(Tensor)形式的(image height, image. width, color. channels), 包含了图像高度、宽度及颜色信息。不需要输入batch size。color channels 为(R,G,B)分别对应RGB的三个颜色通道(color channel)。在此示例中，我们的CNN输入，fashion mnist 数据集中的图片,形状是(28， 28，1) 即灰度图像。我们需要在声明第一层时将形状赋值给参数input_shape。

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), #卷积层1，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层3，卷积核3*3
    
    layers.Flatten(),                      #Flatten层，连接卷积层与全连接层
    layers.Dense(64, activation='relu'),   #全连接层，特征进一步提取
    layers.Dense(10)                       #输出层，输出预期结果
])

model.summary()  # 打印网络结构
1
2
3
4
5
6
7
8
9
10
11
12
13

三、编译

在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的:

●损失函数(loss) :用于测量模型在训练期间的准确率。我们希望最小化此函数,以便将模型“引导”到正确的方向上。

●优化器(optimizer) :决定模型如何根据其看到的数据和自身的损失函数进行更新。

●指标(metrics) :用于监控训练和测试步骤。以下示例使用了准确率,即被正确分类的图像的比率。

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
1
2
3

四、训练模型

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))
1
2

五、预测

预测结果是一个包含10个数字的数组。它们代表模型对10种不同服装中每种服装的“置信度”，我们可以看到哪个标签的置信度值最大。

plt.imshow(test_images[1].reshape(28,28))
1

import numpy as np

pre = model.predict(test_images)
print(class_names[np.argmax(pre[1])])
1
2
3
4

Pullover
1

六、模型评估

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
1
2
3
4
5
6
7
8
9

​

print("测试准确率为：",test_acc)
1

测试准确率为： 0.9017000198364258
1

活动地址：CSDN21天学习挑战赛

​