[tensorflow]tf.keras入門2-分類
阿新 • • 發佈:2019-02-07
目錄
主要介紹基於tf.keras的Fashion MNIST資料庫分類,
首先是函式的呼叫,對於tensorflow只有在版本1.2以上的版本才有tf.keras庫。另外推薦使用python3,而不是python2。
# TensorFlow and tf.keras import tensorflow as tf from tensorflow import keras # 其他庫 import numpy as np import matplotlib.pyplot as plt #檢視版本 print(tf.__version__) #1.9.0
Fashion MNIST資料庫
fashion mnist資料庫是mnist資料庫的一個拓展。目的是取代mnist資料庫,類似MINST資料庫,fashion mnist資料庫為訓練集60000張,測試集10000張的28X28大小的服裝彩色圖片。具體分類如下:
標註編號 | 描述 |
---|---|
0 | T-shirt/top(T恤) |
1 | Trouser(褲子) |
2 | Pullover(套衫) |
3 | Dress(裙子) |
4 | Coat(外套) |
5 | Sandal(涼鞋) |
6 | Shirt(汗衫) |
7 | Sneaker(運動鞋) |
8 | Bag(包) |
9 | Ankle boot(踝靴) |
樣本描述如下:
名稱 | 描述 | 樣本數量 | 檔案大小 | 連結 |
---|---|---|---|---|
train-images-idx3-ubyte.gz |
訓練集的影象 | 60,000 | 26 MBytes | 下載 |
train-labels-idx1-ubyte.gz |
訓練集的類別標籤 | 60,000 | 29 KBytes | 下載 |
t10k-images-idx3-ubyte.gz |
測試集的影象 | 10,000 | 4.3 MBytes | 下載 |
t10k-labels-idx1-ubyte.gz |
測試集的類別標籤 | 10,000 | 5.1 KBytes | 下載 |
單張影象展示程式碼:
#分類標籤
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
#單張影象展示,推薦使用python3
plt.figure()
plt.imshow(train_images[0])
#新增顏色漸變條
plt.colorbar()
#不顯示網格線
plt.gca().grid(False)
效果圖:
樣本的展示程式碼:
#影象預處理
train_images = train_images / 255.0
test_images = test_images / 255.0
#樣本展示
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]])
效果圖:
分類模型的建立
檢測模型輸入資料為28X28,1個隱藏層節點數為128,輸出類別10類,程式碼如下:
#檢測模型
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)
])
模型訓練引數設定:
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='sparse_categorical_crossentropy', #多分類的對數損失函式
metrics=['accuracy']) #準確度
模型的訓練:
model.fit(train_images, train_labels, epochs=5)
模型預測
預測函式:
predictions = model.predict(test_images)
分類器是softmax分類器,輸出的結果一個predictions是一個長度為10的陣列,陣列中每一個數字的值表示其所對應分類的概率值。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)
對於predictions[0]其中第10個值最大,則該值對應的分類為class[9]ankle boot。
np.argmax(predictions[0]) #9
test_labels[0] #9
前25張圖的分類效果展示:
#前25張圖分類效果
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)
效果圖,綠色標籤表示分類正確,紅色標籤表示分類錯誤:
對於單個影象的預測,需要將影象28X28的輸入轉換為1X28X28的輸入,轉換函式為np.expand_dims。函式使用如下:https://www.zhihu.com/question/265545749
#格式轉換
img = (np.expand_dims(img,0))
print(img.shape) #1X28X28
predictions = model.predict(img)
prediction = predictions[0]
np.argmax(prediction) #9
總體程式碼
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# 其他庫
import numpy as np
import matplotlib.pyplot as plt
#檢視版本
print(tf.__version__)
#1.9.0
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
#分類標籤
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
#單張影象展示,推薦使用python3
plt.figure()
plt.imshow(train_images[0])
#新增顏色漸變條
plt.colorbar()
#不顯示網格線
plt.gca().grid(False)
#影象預處理
train_images = train_images / 255.0
test_images = test_images / 255.0
#樣本展示
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]])
#檢測模型
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', #多分類的對數損失函式
metrics=['accuracy']) #準確度
model.fit(train_images, train_labels, epochs=5)
predictions = model.predict(test_images)
#前25張圖分類效果
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)
#單個影象檢測
img = test_images[0]
print(img.shape) #28X28
#格式轉換
img = (np.expand_dims(img,0))
print(img.shape) #1X28X28
predictions = model.predict(img)
prediction = predictions[0]
np.argmax(prediction) #9