Tensorflow利用卷積神經網絡實現圖片分類

tensorflow搭建卷積神經網絡非常簡單，我們使用卷積神經網絡對fashion mnist數據集進行圖片分類，首先導包：

import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
import numpy as np

導入數據集：

(train_image,train_label),(test_image,test_label)=tf.keras.datasets.fashion_mnist.load_data()

查看圖片的shape維度：

train_image.shape

輸出：

(60000, 28, 28)

由於我們卷積神經網絡需要的是四維的數據，也就是一共需要有四個維度，分別是（圖片，橫向像素，豎直方向的像素，channel）。

這個數據集里面的圖像均為三維的矩陣，且為黑白圖片，因此channel為1，如果是RGB的彩色圖片的話，channel為3.因此我們把三維的圖片變成4維的圖片，利用numpy即可：

train_image=np.expand_dims(train_image,-1)
test_image=np.expand_dims(test_image,-1)

然后開始搭建卷積神經網絡，我試了試自己的這個模型，做出來的結果甚至比Yun lekun提出的lenet5神經網絡更好。搭建神經網絡的架構如下：

model.add(tf.keras.layers.Conv2D(32,(3,3),
                                 input_shape=train_image.shape[1:],
                                 activation="relu",
                                 padding="same"))
#添加maxpooling層是因為在之后同樣的卷積核能夠提取的特征更多，增大“感受野”
model.add(tf.keras.layers.MaxPool2D())
model.add(tf.keras.layers.Conv2D(64,(3,3),activation="relu"))
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(10,activation='softmax'))

編譯模型：

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
              loss="sparse_categorical_crossentropy",
              metrics=['acc']
)

得到圖像的分類結果，並繪制loss函數變化的圖像，用來分析是否模型是否過擬合：

plt.plot(history.epoch,history.history.get('loss'),label="loss")
plt.plot(history.epoch,history.history.get('val_loss'),label="val_loss")
plt.legend()

得解。