[Tensorflow]服装图像数据集分类：使用DNN、CNN模型

一、实验介绍

• 实验环境：jupyter notebook、Tensorflow.keras

• 数据集Fashion Mnist与样例代码及相关参考：
  https://www.tensorflow.org/tutorials/keras/classification
  https://zhuanlan.zhihu.com/p/161656714
  https://msd.misuland.com/pd/4146263742822220136
  https://baijiahao.baidu.com/s?id=1653421414340022957&wfr=spider&for=pc

  1、认识数据集
  2、尝试使用DNN、CNN等神经网络模型进行分类
  3、评估、比较各模型的性能

二、Fashion MNIST数据集

• 包含10个类别的70000个灰度图像。这些图像以低分辨率（28×28像素）展示了单件衣物。
  
• Fashion MINIST旨在临时替代经典 MNIST 数据集，后者常被用作计算机视觉机器学习程序的“Hello, World”。MNIST数据集包含手写数字（0、1、2 等）的图像，其格式与您将使用的衣物图像的格式相同。
• 使用 Fashion MNIST来实现多样化，因为它比常规 MNIST更具挑战性。这两个数据集都相对较小，都用于验证某个算法是否按预期工作。对于代码的测试和调试，它们都是很好的起点。

三、实验代码和结果截图

1、导入python包

tf.keras是Tensorflow中用来构建和训练模型的高级API。

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow import keras
1
2
3
4

2、全局变量

• train_images 和 train_labels是模型用来学习的数据，test_images 和 test_labels被用来对模型进行测试。

• 每个图像都会被映射到一个标签。

fashion_minist = keras.datasets.fashion_mnist# 载入Fashion MINIST数据集
1

# 返回四个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
(train_images,train_labels),(test_images,test_labels) = fashion_minist.load_data()
1
2

# 数据集中不包括类名称，将它们存储在class_names中供稍后绘制图像时使用
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

# 将像素值缩小至0~1之间，对训练集和测试集做相同处理
train_images = train_images / 255.0
test_images = test_images / 255.0

# （为了验证数据的格式是否正确，以及是否已准备好构建和训练网络）显示训练集中的前25个图像，并在每个图像的下方显示类名称
plt.figure(figsize = (10,10))
for i in range (25):
    plt.subplot(5,5,i+1)# 五行五列
    plt.xticks([])
    plt.yticks([])
    # plt.imshow(train_images[i],cmap=plt.cm.gray)
    plt.imshow(train_images[i],cmap=plt.cm.binary)# cmap参数接受一个值，其中每个值代表一种配色方案
    plt.xlabel(class_names[train_labels[i]])
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

3、构建模型：构建神经网络模型需要先配置模型的层，然后再编译模型

3.1 构建DNN模型

• 该网络的第一层 tf.keras.layers.Flatten 将图像格式从二维数组（28 x 28 像素）转换成一维数组（28 x 28 = 784 像素）。将该层视为图像中未堆叠的像素行并将其排列起来。该层没有要学习的参数，它只会重新格式化数据。

• 展平像素后，网络会包括两个 tf.keras.layers.Dense 层的序列。它们是密集连接或全连接神经层。第一个 Dense 层有 128 个节点（或神经元）。第二个（也是最后一个）层会返回一个长度为 10 的 logits 数组。每个节点都包含一个得分，用来表示当前图像属于 10 个类中的哪一类。

• 在深度神经网络中，通常使用一种叫线性整流函数（修正线性单元）：Rectified Linear Unit（ReLU），作为神经元的激活函数。$ReLU(x)=max(0,x)$，即
  R e L U ( x ) = { 0  if  x < 0 x  if  x ≥ 0 ReLU(x) =

  $$\begin{cases} 0& \text{ if } x<0 \\ x& \text{ if } x≥0 \end{cases}$$ ReLU(x)={0x​ if x<0 if x≥0​

• 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：
  ① 损失函数(loss function) ：用于测量模型在训练期间的准确率。您会希望最小化此函数，以便将模型“引导”到正确的方向上。
  ② 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。
  ③ 指标 (例如：accuracy)：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。

# 设置层
model = keras.Sequential([
    keras.layers.Flatten(input_shape = (28,28)),
    keras.layers.Dense(128, activation = 'relu'),
    keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer = 'adam',
              loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics = ['accuracy'])

# 训练模型
model.fit(train_images,train_labels,epochs=10)# epochs:迭代次数

# 评估准确率
test_loss_dnn, test_acc_dnn = model.evaluate(test_images,test_labels,verbose=2)
print("\nTest accuracy is:",test_acc_dnn)

# 进行预测
probability_model = tf.keras.Sequential([model,tf.keras.layers.Softmax()])

predictions = probability_model.predict(test_images)

# 第一个预测结果
predictions[0]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

3.2 构建CNN模型，CNN模型中多了卷积层和池化层，先卷积再池化再卷积再池化，最后全连接层。

# Fashion MINIST数据集是3维的，不符合卷积的输入要求（4维），采用如下命令将3维的输入扩展维4维的输入
train_images = np.expand_dims(train_images, axis=3)
test_images = np.expand_dims(test_images, axis=3)

# 设置层
model=keras.models.Sequential([
    keras.layers.Conv2D(64, (3, 3), activation='relu', input_shape=(28,28,1)),
    keras.layers.MaxPooling2D(2,2),
    keras.layers.Conv2D(64,(3,3),activation='relu'),
    keras.layers.MaxPooling2D(2,2),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(train_images,train_labels,epochs=10,
          validation_data=(test_images,test_labels))# epochs:迭代次数

# 评估准确率
test_loss_cnn, test_acc_cnn = model.evaluate(test_images,test_labels,verbose=2)
print("\nTest accuracy is:",test_acc_cnn)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

四、总结

本案例同样的迭代10次，使用CNN比使用DNN运行时间长的多，但CNN的准确度更高，可自行设置不同的迭代次数，比较两种模型的运行时间、准确度等（除迭代次数，激活函数的选择和优化器的选择等都对准确度有影响）。