概述

之前用于深度学习的经典案例是 MNIST数据集，是 手写数字 图像

Fashion MNIST 数据集 是 服饰图像，更有挑战性，是替换 MNIST数据集的

两者格式完全相同

常用于验证某个算法能否正常运行

数据说明

图像

包含 70000 张灰度图像

图像是一个28*28的像素数组，每个像素的值为0~255之间的8位无符号整数（uint8）

类别

共有 10个类别

编号	分类	中文
0	T-shirt/top	T恤
1	Trouser	裤子
2	Pullover	套头衫
3	Dress	连衣裙
4	Coat	外衣
5	Sandal	凉鞋
6	Shirt	衬衫
7	Sneaker	运动鞋
8	Bag	包
9	Ankle boot	短靴

获取数据

方式一（不推荐）

通过代码下载（这种下载基本失败），如下

import tensorflow as tf

(train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()

第一次执行时自动到服务器下载，但下载速度较慢，下载成功后，以后再执行，就不会下载了

方式二（推荐）

事先下载，下载后放入到指定目录下：

windows系统放到下面目录：
```
C:\Users\当前用户名\.keras\datasets
```
如下图：
macOS系统放到下面目录：
```
～/.keras/datasets
```

再执行下面代码时，就可以直接使用，不再下载，如下：

import tensorflow as tf

(train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()

代码

加载数据

import tensorflow as tf

(train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()

其中训练数据有 60000 张图像，测试数据有 10000 张图像

查看图像数据形状

# 查看形状
print(train_image.shape)

print(test_image.shape)

结果：

(60000, 28, 28)
(10000, 28, 28)

训练数据 有60000个，图像是 28宽 28高，也就是说每个图像有28*28=784个特征

也就是说，在神经网络模型中，输入值 共有 784 个

测试数据 有10000个，图像是 28宽 28高

显示图像

通过matplotlib显示图像

# 显示第一张图像
import matplotlib.pyplot as plt
plt.imshow(train_image[0])

显示如下，图片会变大，并且会有颜色

使用PIL库显示真实的图片：

from PIL import Image

Image.fromarray(train_image[0])

显示如下：

分析图像数据

print(train_image[0].shape)
# 查看最大值
np.max(train_image[0])

图像数据，是0-255之间的RGB值

查看类别数据形状

print(train_label.shape)

print(test_label.shape)

执行结果：

(60000,)
(10000,)

分析类别数据

train_label

类别是数字，每个数字对应一个类别，上面有对应表格，共有10个类别

也就是说，在神经网络模型中，输出层 有 10个 感知机（神经元）

★★ 图像数据归一化（重要）

归一化参见：
https://www.malaoshi.top/show_1EF44SFFqg9G.html

将图像0-255的RGB转换成0-1的数据

train_image=train_image/255
test_image=test_image/255

train_image[0]

建立模型

model=tf.keras.Sequential()

# 图像数据是二维数据，需要将二维数据转换成一维数据
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
# 数量不能太少，会欠拟合，也不能太多，会过拟合
model.add(tf.keras.layers.Dense(128,activation='relu'))
# 10个分类，softmax的作用就是将10个输出值变成概率值，这些概率值之和为1
model.add(tf.keras.layers.Dense(10,activation='softmax'))

model.summary()

softmax激活函数参见：
https://www.malaoshi.top/show_1EF43MehJmCw.html

配置训练模型

由于目标值分类是序号（0-9之间），所以使用 sparse_categorical_crossentropy 损失函数

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

损失函数参见：
https://www.malaoshi.top/show_1EF4La0KENhc.html

开始训练

model.fit(train_image,train_label,epochs=5)

评估模型

评估模型，就是预测训练数据，将预测结果与真实结果做比对，并计算出正确率

model.evaluate(test_image,test_label)

进行预测

通过模型预测训练数据

prd_label=model.predict(test_image)

查看预测结果

prd_label.shape

执行结果是

(10000, 10)

10000个图片，对应预测结果10000行，但是为什么是10列？

查看第一行记录

prd_label[0]

结果如下：

array([1.5847332e-05, 1.1821714e-07, 4.4911198e-07, 2.4028379e-06,
       2.4881649e-08, 1.4185666e-03, 7.7166405e-05, 3.2755506e-01,
       1.9131189e-04, 6.7073911e-01], dtype=float32)

将第一行的结果求和：

np.sum(prd_label[0])

结果是

说明这每行10列的结果，是 softmax激活函数 的结果，10列对应10个结果的概率，这10个概率相加，正好等于1

分析预测结果

这里需要用到tf.argmax()函数，参见
https://www.malaoshi.top/show_1EF4LCNXBuQr.html

# 预测结果是长度为10的数组，分别表示各个类别的概率，其和是1
print(prd_label[0])
# 获取最大概率的索引
label_num=tf.argmax(prd_label[0])
print(type(label_num))
label_num=int(label_num)
print(type(label_num))
print(label_num,test_label[0])

显示预测结果，并计算预测准确率，看与评估结果是否一致

# 显示预测结果，并计算预测准确率，看与评估结果是否一致
prd_label=np.argmax(prd_label,axis=1)

error_num=0
for item in range(len(prd_label2)):
    if int(prd_label2[item])!=test_label[item]:
        error_num+=1

print('错误总数：',error_num)
print('正确率：',1-error_num/10000)

原文出处：/show_1EF43P6Z9xCr.html

概述