問題描述
這裏我們還是以MNIST數據爲例，與上一篇的不同在於上一篇是關於手寫體數字識別，本篇是關於服裝的簡單識別。Fashion Mnist數據集由70,000張黑白圖片構成，每張圖片大小爲 28x28，由十類服飾圖片構成。另一個MNIST數據集是手寫數字，Fashion MNIST 與之相比更有挑戰性，適合用來驗證算法
解決思路
一般滴，識別思路是
- 獲取數據，包括訓練數據和測試數據。
- 模型建立
- 訓練
- 模型驗證
這篇文檔使用高級APItf.keras在TensorFlow中搭建和訓練模型。 下面簡單介紹一下Keras。
Keras簡介
Keras 是一個用 Python 編寫的高級神經網絡 API，它能夠以 TensorFlow, CNTK, 或者 Theano 作爲後端運行。Keras 的開發重點是支持快速的實驗。能夠以最小的時延把你的想法轉換爲實驗結果，是做好研究的關鍵。官方網址是https://keras.io/zh/。使用Keras主要下面幾個步驟
- 準備好數據，並做好預處理。
- 構建模型。Keras 的核心數據結構是 model，一種組織網絡層的方式。最簡單的模型是 Sequential 順序模型，它由多個網絡層線性堆疊。對於更復雜的結構，你應該使用 Keras 函數式 API，它允許構建任意的神經網絡圖。可以簡單地使用 .add() 來堆疊模型。
- 在完成了模型的構建後, 可以使用 .compile() 來配置學習過程
- 訓練，給模型喂數據
- 只需一行代碼就能評估模型性能：
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128) - 對新的數據生成預測：
classes = model.predict(x_test, batch_size=128)
Keras的基本架構和使用層次如下圖所示：
![在這裏插入圖片描述]()
神經網絡服裝識別
下面我們利用keras採用神經網絡的方法對服裝圖像進行識別。
引入必要的包
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
import numpy as np
獲取數據
#獲取數據
fashion_mnist=keras.datasets.fashion_mnist
(train_images,train_labels),(test_images,test_labels)=fashion_mnist.load_data()
print(train_images.shape)
# print(train_images[1])
print(train_labels[1])
我們獲取了數據，通過shape可以查看大小，並可以看看內部的數值。
數據預處理
在訓練網絡之前，必須對數據進行預處理。當前數據的像素值在0-255之間，統一不同數據間的量綱，有助於我們接下來對數據進行分析和計算，即對數據進行歸一化處理。
#對數據進行歸一化處理
train_images=train_images/255
test_images=test_images/255
構建網絡模型
通過keras的Sequential創建模型，並添加神經網絡的層次
#構建網絡模型
model=keras.Sequential([keras.layers.Flatten(input_shape=(28,28)),
keras.layers.Dense(128,activation='relu'),
keras.layers.Dense(10,activation='softmax')
])
配置網絡模型
keras的配置網絡也是一句話的事兒，可以看到設置了優化器，損失函數等。
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
評估模型
也是一句話
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
預測
如有必要，我們對新的數據進行預測，這裏舉個例子，所有的測試數據進行預測。
predictions = model.predict(test_images)#對所有標籤與圖片進行預測
神經網絡圖像識別小結
訓練模型在整個測試數據集的表現情況如下，測試準確率接近88%。
60000/60000 [==============================] - 2s 35us/step - loss: 0.2384 - acc: 0.9115
Test accuracy: 0.8796
從對keras的神經網絡圖像識別可以看到
- Keras使用起來簡直太簡單了，太友好了。把深度學習的細節完全封裝好，甚至把學習框架也封裝了。可以說是非常容易上手。但是這種簡單的，又讓人害怕和擔心，長期使用keras豈不是比掉包俠還調包蝦，所以對深度學習的內部原理還是要細細研究的。
- 上面的方法如手寫數字識別的第一個方法一樣，沒用利用隱藏層，沒有加入正則化，沒有還用CNN，相信通過把模型建立的更合理更科學，效果會更好。我們後續再操作。