[深度学习] tf.keras入门2-分类

目录

Fashion MNIST数据库

分类模型的建立

模型预测

总体代码

---

主要介绍基于tf.keras的Fashion MNIST数据库分类，

官方文档地址为：https://tensorflow.google.cn/tutorials/keras/basic_classification

文本分类类似，官网文档地址为https://tensorflow.google.cn/tutorials/keras/basic_text_classification

首先是函数的调用，对于tensorflow只有在版本1.2以上的版本才有tf.keras库。另外推荐使用python3，而不是python2。

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

# 其他库
import numpy as np
import matplotlib.pyplot as plt
#查看版本
print(tf.__version__)
#1.9.0

Fashion MNIST数据库

fashion mnist数据库是mnist数据库的一个拓展。目的是取代mnist数据库，类似MINST数据库，fashion mnist数据库为训练集60000张，测试集10000张的28X28大小的服装彩色图片。具体分类如下：

标注编号	描述
0	T-shirt/top（T恤）
1	Trouser（裤子）
2	Pullover（套衫）
3	Dress（裙子）
4	Coat（外套）
5	Sandal（凉鞋）
6	Shirt（汗衫）
7	Sneaker（运动鞋）
8	Bag（包）
9	Ankle boot（踝靴）

样本描述如下：

名称	描述	样本数量	文件大小	链接
train-images-idx3-ubyte.gz	训练集的图像	60,000	26 MBytes	下载
train-labels-idx1-ubyte.gz	训练集的类别标签	60,000	29 KBytes	下载
t10k-images-idx3-ubyte.gz	测试集的图像	10,000	4.3 MBytes	下载
t10k-labels-idx1-ubyte.gz	测试集的类别标签	10,000	5.1 KBytes	下载

单张图像展示代码：

#分类标签
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
#单张图像展示，推荐使用python3
plt.figure()
plt.imshow(train_images[0])
#添加颜色渐变条
plt.colorbar()
#不显示网格线
plt.gca().grid(False)

效果图：

样本的展示代码：

#图像预处理
train_images = train_images / 255.0
test_images = test_images / 255.0

#样本展示
plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid('off')
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])

效果图：

分类模型的建立

检测模型输入数据为28X28，1个隐藏层节点数为128，输出类别10类，代码如下：

#检测模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(10, activation=tf.nn.softmax)
])    

模型训练参数设置：

model.compile(optimizer=tf.train.AdamOptimizer(),
          loss='sparse_categorical_crossentropy', #多分类的对数损失函数
          metrics=['accuracy']) #准确度

模型的训练：

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

模型预测

预测函数：

predictions = model.predict(test_images)

分类器是softmax分类器，输出的结果一个predictions是一个长度为10的数组，数组中每一个数字的值表示其所对应分类的概率值。如下所示：

predictions[0]
array([2.1840347e-07, 1.9169457e-09, 4.5915922e-08, 5.3185740e-08,
       6.6372898e-08, 2.6090498e-04, 6.5197796e-06, 4.7861701e-03,
       2.9425648e-06, 9.9494308e-01], dtype=float32)

对于predictions[0]其中第10个值最大，则该值对应的分类为class[9]ankle boot。

np.argmax(predictions[0]) #9
test_labels[0] #9

前25张图的分类效果展示：

#前25张图分类效果
plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid('off')
    plt.imshow(test_images[i], cmap=plt.cm.binary)
    predicted_label = np.argmax(predictions[i])
    true_label = test_labels[i]
    if predicted_label == true_label:
      color = 'green'
    else:
      color = 'red'
    plt.xlabel("{} ({})".format(class_names[predicted_label],
                                  class_names[true_label]),
                                  color=color)

效果图，绿色标签表示分类正确，红色标签表示分类错误：

对于单个图像的预测，需要将图像28X28的输入转换为1X28X28的输入，转换函数为np.expand_dims。函数使用如下：https://www.zhihu.com/question/265545749

#格式转换
img = (np.expand_dims(img,0))
print(img.shape) #1X28X28

predictions = model.predict(img)
prediction = predictions[0]
np.argmax(prediction) #9

总体代码

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

# 其他库
import numpy as np
import matplotlib.pyplot as plt
#查看版本
print(tf.__version__)
#1.9.0

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

#分类标签
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
#单张图像展示，推荐使用python3
plt.figure()
plt.imshow(train_images[0])
#添加颜色渐变条
plt.colorbar()
#不显示网格线
plt.gca().grid(False)

#图像预处理
train_images = train_images / 255.0
test_images = test_images / 255.0

#样本展示
plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid('off')
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])

#检测模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(10, activation=tf.nn.softmax)
])    

model.compile(optimizer=tf.train.AdamOptimizer(),
          loss='sparse_categorical_crossentropy', #多分类的对数损失函数
          metrics=['accuracy']) #准确度

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

predictions = model.predict(test_images)

#前25张图分类效果
plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid('off')
    plt.imshow(test_images[i], cmap=plt.cm.binary)
    predicted_label = np.argmax(predictions[i])
    true_label = test_labels[i]
    if predicted_label == true_label:
      color = 'green'
    else:
      color = 'red'
    plt.xlabel("{} ({})".format(class_names[predicted_label],
                                  class_names[true_label]),
                                  color=color)

#单个图像检测
img = test_images[0]
print(img.shape) #28X28

#格式转换
img = (np.expand_dims(img,0))
print(img.shape) #1X28X28

predictions = model.predict(img)
prediction = predictions[0]
np.argmax(prediction) #9