2021-10-29 Tensorflow 2 Tensorflow 模型建立与训练-多层感知器MLP

关于Fashion-MNIST数据集

Zalando用Fashion-MNIST数据集取代MNIST数据集，将Fashion-MINST作为机器学习的数据集。
Fashion-MNIST数据集一共有70000张关于服装和鞋包的图片构成，每张图片的像素为28×28,灰度显示。其中，60000张图片是用于训练，10000张图片用于测试。
Fashion数据集可以分为十个类别，用中文表示如下：
class_name = [“T恤”,“裤子”,“帽头衫”,“连衣裙”,“外套”,“凉鞋”,“衬衫”,“运动鞋”,“包”,“靴子”]

加载Fashion数据集

本次应用采用Tensorflow的版本是2.3.0

• 导入必须的库
  import tensorflow as tf
  import numpy as np
  from tensorflow.keras.layers import Dense, Flatten
  from tensorflow.keras import Model
  import matplotlib.pyplot as plt
• 加载数据集
  #读取训练用的输入特征和标签
  fashion = tf.keras.datasets.fashion_mnist
  (x_train, y_train), (x_test, y_test) = fashion.load_data()
  说明：
  x_train：表示加载特征数据训练集，即6万张图片训练集
  y_train：表示图片对应分类的标签训练集
  x_test：表示加载特征数据测试集，即包含10000张图片的测试集
  y_test：表示图片对应分类的标签训练集
  #为了实现输入特征归一，取值在【0，1】,并减小计算量，将图片默认为0~255之间的数字，方便神经网络吸收
  x_train, x_test = x_train/255.0, x_test/255.0
  class_name = [“T恤”,“裤子”,“帽头衫”,“连衣裙”,“外套”,“凉鞋”,“衬衫”,“运动鞋”,“包”,“靴子”]

构建神经网络

定义神经网络类

定义神经网络模型类FashionModel，是tf.keras.Model的子类

class FashionModel(Model):
   # 定义网络结构
	def __init__(self):
    	super(FashionModel, self).__init__()
    	#将数据拉直 [28,28]->[784,1]
   		self.flatten = Flatten()
    	#指定激活函数
    	self.d1 = Dense(128, activation="relu") 
    	#指定激活函数，设置为[0,1]之间的数字
    	self.d2 = Dense(10, activation="softmax")
	def call(self, inputs, training=None, mask=None):
    	x = self.flatten(inputs)
    	x = self.d1(x)
    	y = self.d2(x)
   		return y

上述网络分为三层：拉直层flatten、全连接层d1、第二个全连接层d2

定义并调用神经网络，将训练集和测试集作为参数传入：

def generate_nn(x_train,y_train,x_test,y_test):
	# 声明神经网络对象
 	model = FashionModel()
	# 配置训练方法(优化器，损失函数，评测指标)
	model.compile(optimizer=tf.keras.optimizers.Adam(),
              	  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
              	  metrics=[tf.keras.metrics.sparse_categorical_accuracy])
# 执行训练过程
	model.fit(x_train, y_train,
              batch_size=32, epochs=10,
              validation_data=(x_test, y_test),
              validation_freq=1)
# 打印网络结构和参数
	model.summary()
	return model

图片显示处理

def show_image(img_arr):
	"""
	显示图片
	Parameters
	----------
	img_arr : numpy.ndarray
     表示图片
	"""
	plt.imshow(img_arr,cmap="binary")
	plt.show()

预测十张图片的分类

图片所在的位置：
图片的扩展名是jpeg

#创建模型
model = generate_nn(x_train,y_train,x_test,y_test)
#定义图片的存储位置
path = "./test_data/exam_fashion/exam_fashion/"
#图片的文件名，形如1.jpeg
images = ["%d.jpeg"%i for i in range(0,10)]
#生成28x28的图片数组
matrix = np.full(784,255.0).reshape(28,28)
images_data=[]
for imgfile in images:
    #设置要访问的图片文件名
	img_name = "%s%s"%(path,imgfile)
	#加载图片
	img = tf.keras.preprocessing.image.load_img(img_name,color_mode="grayscale",target_size=(28,28))
	img_data = tf.keras.preprocessing.image.img_to_array(img)   #将图片数据转换成numpy数组
	img_data = matrix-img_data.reshape(28,28)                             #图片反相处理，黑变白，白变黑，将数组设置为28x28 
	show_image(img_data)                                                              #显示图片
	images_data.append(img_data)
	
def main():
	images_data = np.array(images_data)
	y_pred = model.predict(images_data)                                            #预测的结果
	index = np.argmax(y_pred,axis=1)                                                 #获取预测的结果，返回二位数组的	列坐标对应的分类
	for i in index:                                                                                   #显示最后的结果 
   		 print(i,class_name[i])             
   		                            
if __name__=="__main__":
	main()                         

测试的结果：
6 衬衫
1 裤子
4 外套
3 连衣裙
4 外套
5 凉鞋
0 T恤
7 运动鞋
8 包
9 靴子