今天經過論壇偶然知道，在mnist以後，還出現了一個旨在代替經典mnist數據集的Fashion MNIST，同mnist同樣，它也是被用做深度學習程序的「hello world」，並且也是由70k張28*28的圖片組成的，它們也被分爲10類，有60k被用做訓練，10k被用做測試。惟一的區別就是，fashion mnist的十種類別由手寫數字換成了服裝。這十種類別以下：網絡
'T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat','Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'函數
設計流程以下：學習
· 首先獲取數據集，tensorflow獲取fashion mnist的方法和mnist相似，使用keras.datasets.fashion_mnist.load_data()便可測試
· 將數據集劃分爲訓練集和測試集優化
· 因爲圖片像素值範圍是0-255，將數據集進行預處理，把像素值縮放到0到1的範圍（即除以255）this
· 搭建網絡模型 （784→128(relu)→10(softmax)），全鏈接lua
· 編譯模型，設計損失函數（對數損失）、優化器(adam)以及訓練指標（accuracy）spa
· 訓練模型.net
· 評估準確性（測試數據使用matplotlib進行可視化）設計
關於Adam優化器的來源和特色請參考：https://www.jianshu.com/p/aebcaf8af76e
關於matplotlib數據可視化請參考：http://www.javashuo.com/article/p-dkxsxmvg-db.html
訓練集部分數據可視化以下：
一共作了50輪訓練，訓練開始時的損失和精度以下：
訓練完成時的損失和精度以下：
模型在測試集上的表現以下：
選擇測試集某張圖片的預測可視化結果以下：
程序代碼以下：
1 import tensorflow as tf 2 from tensorflow import keras 3 import numpy as np 4 import matplotlib.pyplot as plt 5 6 # 導入fashion mnist數據集 7 fashion_mnist = keras.datasets.fashion_mnist 8 (train_images,train_labels),(test_images,test_labels) = fashion_mnist.load_data() 9 10 # 衣服類別 11 class_names = ['T-shirt/top','Trouser','Pullover','Dress','Coat','Sandal', 12 'Shirt','Sneaker','Bag','Ankle boot'] 13 print(train_images.shape,len(train_labels)) 14 print(test_images.shape,len(test_labels)) 15 16 # 查看圖片 17 plt.figure() 18 plt.imshow(train_images[0]) 19 plt.colorbar() 20 plt.grid(False) 21 plt.show() 22 23 # 預處理數據，將像素值除以255，使其縮放到0到1的範圍 24 train_images = train_images / 255.0 25 test_images = test_images / 255.0 26 27 # 驗證數據格式的正確性，顯示訓練集前25張圖像並註明類別 28 plt.figure(figsize=(10,10)) 29 for i in range(25): 30 plt.subplot(5,5,i+1) 31 plt.xticks([]) 32 plt.yticks([]) 33 plt.grid(False) 34 plt.imshow(train_images[i],cmap=plt.cm.binary) 35 plt.xlabel(class_names[train_labels[i]]) 36 plt.show() 37 38 # 搭建網絡結構 39 model = keras.Sequential([ 40 keras.layers.Flatten(input_shape=(28,28)), 41 keras.layers.Dense(128,activation='relu'), 42 keras.layers.Dense(10,activation='softmax') 43 ]) 44 45 # 設置損失函數、優化器及訓練指標 46 model.compile( 47 optimizer='adam', 48 loss='sparse_categorical_crossentropy', 49 metrics=['accuracy'] 50 ) 51 52 # 訓練模型 53 model.fit(train_images,train_labels,epochs=50) 54 55 # 模型評估 56 test_loss,test_acc=model.evaluate(test_images,test_labels,verbose=2) 57 print('/nTest accuracy:',test_acc) 58 59 # 選擇測試集中的圖像進行預測 60 predictions=model.predict(test_images) 61 62 # 查看第一個預測 63 print("預測結果：",np.argmax(predictions[0])) 64 # 將正確標籤打印出來和預測結果對比 65 print("真實結果：",test_labels[0]) 66 67 # 以圖形方式查看完整的十個類的預測 68 def plot_image(i,predictions_array,true_label,img): 69 predictions_array,true_label,img=predictions_array,true_label[i],img[i] 70 plt.grid(False) 71 plt.xticks([]) 72 plt.yticks([]) 73 74 plt.imshow(img,cmap=plt.cm.binary) 75 76 predicted_label=np.argmax(predictions_array) 77 if predicted_label==true_label: 78 color='blue' 79 else: 80 color='red' 81 82 plt.xlabel("{}{:2.0f}%({})".format(class_names[predicted_label], 83 100*np.max(predictions_array), 84 class_names[true_label]), 85 color=color) 86 87 def plot_value_array(i,predictions_array,true_label): 88 predictions_array,true_label=predictions_array,true_label[i] 89 plt.grid(False) 90 plt.xticks(range(10)) 91 plt.yticks([]) 92 thisplot=plt.bar(range(10),predictions_array,color="#777777") 93 plt.ylim([0,1]) 94 predicted_label=np.argmax(predictions_array) 95 96 thisplot[predicted_label].set_color('red') 97 thisplot[true_label].set_color('blue') 98 99 i=10 100 plt.figure(figsize=(6,3)) 101 plt.subplot(1,2,1) 102 plot_image(i,predictions[i],test_labels,test_images) 103 plt.subplot(1,2,2) 104 plot_value_array(i,predictions[i],test_labels) 105 plt.show()