keras demo - fashion_mnist

本文是TF給出的第一個關於keras的demo，以此來引出keras的基本用法和幾個關鍵方法，也體會到了keras使用的方便。

 

一、數據集

demo中所用的數據集是fashion_mnist。是關於穿着物品的圖片集。地址：https://github.com/zalandoresearch/fashion-mnist

數據集的特征：

• 訓練數據60000個
• 測試數據10000個
• 每個圖片是28 * 28 灰度圖
• 10個分類

keras的數據集下載簡單幾句話就可以搞定。

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

datasets里包含很多數據集，都可以通過load_data直接下載（雖然很多下載不了，可能是被牆了。可以直接下載數據集，然后保存在根目錄的.keras目錄的datasets下。macos下是在~/.keras，windows是在？）。

通過load_data下載的數據，直接將訓練和測試數據集分開返回，而且也將數據和分類標簽分開返回。

 

二、數據處理

歸一化。

train_images = train_images / 255.0
test_images = test_images / 255.0

 

三、建模

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)
])

這個demo里，采用序列模式。

1. 第一層是Flatten，將28 * 28的像素值，壓縮成一行 (784, )
2. 第二層是Dense，全連接層。激活函數使用relu
3. 第三層還是Dense，因為是多分類問題，激活函數使用softmax

在keras里，layers里包含所有的層類型。其中還包括，

• 卷積層，Conv2D
• Dropout層，Dropout
• MaxPool1D, 最大池化層
• 等等

具體可參考：https://tensorflow.google.cn/api_docs/python/tf/keras/layers

 

四、編譯

 建模后就是編譯。編譯的參數主要是：

• optimizer，優化方法，這里用Adam
• loss，損失函數，這里用稀疏類別交叉熵（多類的對數損失），sparse是指稀疏矩陣
• metrics，評估模型在訓練和測試時的性能的指標

model.compile(optimizer=tf.train.AdamOptimizer(),
             loss = 'sparse_categorical_crossentropy',
             metrics=['accuracy'])

 

 五、擬合

 擬合是訓練參數，擬合訓練數據的過程。主要參數：

• 訓練數據
• 訓練標簽
• 訓練次數

model.fit(train_images, train_labels, epochs=5)

 

六、評估

 把擬合好的模型應用在測試數據上，得到在測試集上的損失值和准確率。

通過觀察和繪制損失值和准確率的統計圖，分析模型的性能，是否滿足需求。

如果滿足需求，再進行最后的預測過程。

test_loss, test_acc = model.evaluate(test_images, test_labels)

 

七、預測

predictions = model.predict(test_images)

predict可以得到所有類型對應的概率。

Reference：

1、https://tensorflow.google.cn/tutorials/keras/basic_classification

2、https://keras-cn.readthedocs.io/en/latest/、keras中文文檔。