[Keras深度學習淺嘗]實戰一·DNN實現Fashion MNIST 資料集分類

此實戰來源於TensorFlow Keras官方教程

Fashion-MNIST是一個替代MNIST手寫數字集的影象資料集。 它是由Zalando（一家德國的時尚科技公司）旗下的研究部門提供。其涵蓋了來自10種類別的共7萬個不同商品的正面圖片。Fashion-MNIST的大小、格式和訓練集/測試集劃分與原始的MNIST完全一致。60000/10000的訓練測試資料劃分，28x28的灰度圖片。你可以直接用它來測試你的機器學習和深度學習演算法效能，且不需要改動任何的程式碼。

• 匯入相關包

# TensorFlow and tf.keras
 

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
import tensorflow as tf
from tensorflow import keras

# Helper libraries
import numpy as np
import matplotlib.pyplot as plt

print(tf.__version__)

1.12.0

• 匯入資料集

fashion_mnist = keras.datasets.fashion_mnist

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

• 定義名稱list（方便label轉名稱）

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

train_images.shape

(60000, 28, 28)

len(train_labels)

60000

• image資料歸一化（由0:255 -> 0:1，資料量壓縮，不易產生溢位，易於訓練）

train_images = train_images / 255.0

test_images = test_images / 255.0

• 顯示一張照片

plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)

• 顯示多張照片

plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(train_images[i], cmap=plt.cm.binary)
    plt.xlabel(class_names[train_labels[i]])

• 定義網路

model = keras.Sequential([
	 #shape轉換過程 (-1,28,28)->(-1,28*28)
    keras.layers.Flatten(input_shape=(28, 28)),
    #shape轉換過程 (-1,28*28)->(-1,256)
    keras.layers.Dense(256, activation=tf.nn.relu),
    #shape轉換過程 (-1,256)->(-1,256)
    keras.layers.Dropout(0.2,noise_shape=None, seed=None),
    #shape轉換過程 (-1,256)->(-1,64)
    keras.layers.Dense(64, activation=tf.nn.relu),
    #shape轉換過程 (-1,64)->(-1,10)
    keras.layers.Dense(10, activation=tf.nn.softmax)
])

• 編譯模型（選取優化函式與損失值計算方式）

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

• 模型訓練

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

Epoch 1/5
60000/60000 [==============================] - 8s 136us/step - loss: 0.4993 - acc: 0.8249
Epoch 2/5
60000/60000 [==============================] - 7s 121us/step - loss: 0.3819 - acc: 0.8627
Epoch 3/5
60000/60000 [==============================] - 8s 127us/step - loss: 0.3429 - acc: 0.8758
Epoch 4/5
60000/60000 [==============================] - 9s 142us/step - loss: 0.3142 - acc: 0.8857
Epoch 5/5
60000/60000 [==============================] - 6s 102us/step - loss: 0.2972 - acc: 0.8908

<tensorflow.python.keras.callbacks.History at 0xb59a50b70>

• 測試準確率

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

print('Test accuracy:', test_acc)

10000/10000 [==============================] - 0s 45us/step
Test accuracy: 0.867

• 模型應用

plt.figure()
plt.imshow(test_images[1])
plt.colorbar()
plt.grid(False)
predictions = model.predict(test_images[1:2])

class_names[np.argmax(predictions)]

'Pullover'