圖像分類入門，輕鬆拿下90％準確率

原作 Margaret Maynard-Reid

王小新 編譯自 TensorFlow的Medium

量子位 出品 | 公眾號 QbitAI

這篇教程會介紹如何用TensorFlow里的tf.keras函數，對Fashion-MNIST數據集進行圖像分類。

只需幾行代碼，就可以定義和訓練模型，甚至不需要太多優化，在該數據集上的分類準確率能輕鬆超過90%。

在進入正題之前，我們先介紹一下上面提到的兩個名詞：

Fashion-MNIST，是去年8月底德國研究機構Zalando Research發布的一個數據集，其中訓練集包含60000個樣本，測試集包含10000個樣本，分為10類。樣本都來自日常穿著的衣褲鞋包，每一個都是28×28的灰度圖。

這個數據集致力於成為手寫數字數據集MNIST的替代品，可用作機器學習演算法的基準測試，也同樣適合新手入門。

或者去GitHub：

https://github.com/zalandoresearch/fashion-mnist

tf.keras是用來在TensorFlow中導入Keras的函數。Keras是個容易上手且深受歡迎的深度學習高級庫，是一個獨立開源項目。在TensorFlow中，可以使用tf.keras函數來編寫Keras程序，這樣就能充分利用動態圖機制eager execution和tf.data函數。

下面可能還會遇到其他深度學習名詞，我們就不提前介紹啦。進入正題，教你用tf.keras完成Fashion-MNIST數據集的圖像分類~

運行環境

無需設置，只要使用Colab直接打開這個Jupyter Notebook鏈接，就能找到所有代碼。

https://colab.research.google.com/github/margaretmz/deep-learning/blob/master/fashion_mnist_keras.ipynb

數據處理

Fashion-MNIST數據集中有十類樣本，標籤分別是：

T恤 0

褲子 1

套頭衫 2

裙子 3

外套 4

涼鞋 5

襯衫 6

運動鞋 7

包 8

踝靴 9

數據集導入

下面是數據集導入，為後面的訓練、驗證和測試做準備。

只需一行代碼，就能用keras.datasets介面來載入fashion_mnist數據，再用另一行代碼來載入訓練集和測試集。

數據可視化

我喜歡用Jupyter Notebook來可視化，你也可以用matplotlib庫中imshow函數來可視化訓練集中的圖像。要注意，每個圖片都是大小為28x28的灰度圖。

1# Show one of the images from the training dataset

2plt.imshow(x_train[img_index])

數據歸一化

接著，進行數據歸一化，使得樣本值都處於0到1之間。

數據集劃分

這個數據集一共包含60000個訓練樣本和10000個測試樣本，我們會把訓練樣本進一步劃分為訓練集和驗證集。下面是深度學習中三種數據的作用：

訓練數據，用來訓練模型；

驗證數據，用來調整超參數和評估模型；

測試數據，用來衡量最優模型的性能。

模型構建

下面是定義和訓練模型。

模型結構

在Keras中，有兩種模型定義方法，分別是序貫模型和功能函數。

在本教程中，我們使用序貫模型構建一個簡單CNN模型，用了兩個卷積層、兩個池化層和一個Dropout層。

要注意，第一層要定義輸入數據維度。最後一層為分類層，使用Softmax函數來分類這10種數據。

模型編譯

在訓練模型前，我們用model.compile函數來配置學習過程。在這裡，要選擇損失函數、優化器和訓練測試時的評估指標。

模型訓練

訓練模型時，Batch Size設為64，Epoch設為10。

測試性能

訓練得到的模型在測試集上的準確率超過了90%。

預測可視化

我們通過datasetmodel.predict(x_test)函數，用訓練好的模型對測試集進行預測並可視化預測結果。當標籤為紅色，則說明預測錯誤；當標籤為綠色，則說明預測正確。下圖為15個測試樣本的預測結果。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！