服装类图片识别

基本分类: 服装类图片分类

本指导训练神经网络模型用于分辨服装类图片,例如运动鞋,体恤等。如果你对一些细节不理解也可以;这是完整的TensorFlow程序的快速概述,详细内容边学边讲述。

本指南使用tf.keras(高级API)在TensorFlow中构建和训练模型。

引入Fashion MNIST数据集

本指南使用Fashion MNIST数据集,其中包含10个类别的70,000个灰度图像。 图像显示了低分辨率(28 x 28像素)的单个衣物,如下所示:

[图片上传失败…(image-528b02-1580527272717)]

Fashion MNIST旨在替代经典MNIST数据集-通常用作计算机视觉机器学习程序的“ Hello,World”。 MNIST数据集包含手写数字(0、1、2等)的图像,格式与您将在此处使用的衣服的格式相同。😄 MNIST 是手写数字0~9的图片数据集,Fashion MNIST是10种服装类图片数据集。

本指南将Fashion MNIST用于各种用途,因为它比常规MNIST更具挑战性。这两个数据集都相对较小,用于验证算法是否符合预期。它们是测试和调试代码的良好开端。

在这里,使用60,000张图像来训练神经网络,使用10,000张图像来评估神经网络学习对图像进行分类的准确度。您可以直接从TensorFlow访问Fashion MNIST。直接从TensorFlow导入和加载Fashion MNIST数据:

from __future__ import absolute_import, division, print_function, unicode_literals
# TensorFlow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

加载数据集将返回四个NumPy数组:

  • train_images和train_labels数组是训练集的训练特征图片和训练标签,即模型用来学习的数据。
  • test_images和test_labels数组对模型进行测试, 分别是测试特征图片和测试标签

图像是28×28 的NumPy数组(二维),像素值的范围是0到255。标签是整数数组(一维),范围是0到9。下面是这些对应于图像表示的衣服类别:

标签类别
0T-shirt/top(体恤)
1Trouser(裤子)
2Pullover(套头衫)
3Dress(连衣裙)
4Coat(外套)
5Sandal(凉鞋)
6Shirt(衬衫)
7Sneaker(运动鞋)
8Bag(袋子)
9Ankle boot(短靴)

每个图像都映射到一个标签。由于类名不包含在数据集中,因此将它们存储在此处以供以后在绘制图像时使用:

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

预处理数据

在训练网络之前,必须对数据进行预处理。如果检查训练集中的第一张图像,您将看到像素值在0到255的范围内:

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

运行效果如下:

[图片上传失败…(image-9ef335-1580527272717)]

将这些值缩放到0到1的范围,然后再将其输入神经网络模型。为此,将值除以255。以相同的方式预处理训练集和测试集非常重要:

train_images = train_images / 255.0
test_images = test_images / 255.0

为了验证数据的格式正确,并且已经准备好构建和训练网络,让我们显示训练集中的前25张图像,并在每张图像下方显示类别名称。

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]])
plt.show()

[图片上传失败…(image-61bf3d-1580527272717)]

建立模型

建立神经网络需要配置模型的各层,然后编译模型。然后喂数据,培训模型。下面是程序,因上一文章已经详细介绍,所以这里就不再详细解释了。

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=10)
Train on 60000 samples
Epoch 1/10
60000/60000 [==============================] - 4s 60us/sample - loss: 0.4940 - accuracy: 0.8258
Epoch 2/10
60000/60000 [==============================] - 3s 53us/sample - loss: 0.3706 - accuracy: 0.8663
Epoch 3/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.3306 - accuracy: 0.8787
Epoch 4/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.3090 - accuracy: 0.8871
Epoch 5/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.2937 - accuracy: 0.8921
Epoch 6/10
60000/60000 [==============================] - 3s 53us/sample - loss: 0.2785 - accuracy: 0.8967
Epoch 7/10
60000/60000 [==============================] - 4s 59us/sample - loss: 0.2667 - accuracy: 0.8999
Epoch 8/10
60000/60000 [==============================] - 3s 57us/sample - loss: 0.2562 - accuracy: 0.9050
Epoch 9/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.2455 - accuracy: 0.9083
Epoch 10/10
60000/60000 [==============================] - 3s 52us/sample - loss: 0.2365 - accuracy: 0.9123
<tensorflow.python.keras.callbacks.History at 0x7fe9057513c8>

模型训练时,会显示损失和准确性指标。该模型在训练数据上达到约0.91(或91%)的精度。

评估准确性

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)
10000/10000 - 1s - loss: 0.3415 - accuracy: 0.8785
Test accuracy: 0.8785

事实证明,测试数据集的准确性略低于训练数据集的准确性。 训练准确性和测试准确性之间的差距代表过度拟合。 过度拟合是指机器学习模型在新的,以前看不见的输入上的表现比训练数据上的表现差的情况。 过拟合的模型“存储”训练数据,而测试数据的准确性较低。 如何防止过度拟合,以后单独讲解。

进行预测

以图形方式查看完整的类预测,下面是显示图片函数。

def plot_image(i, predictions_array, true_label, img):
  predictions_array, true_label, img = predictions_array, true_label[i], img[i]
  plt.grid(False)
  plt.xticks([])
  plt.yticks([])
  plt.imshow(img, cmap=plt.cm.binary)
  predicted_label = np.argmax(predictions_array)
  if predicted_label == true_label:
    color = 'blue'
  else:
    color = 'red'
  plt.xlabel("{} {:2.0f}% ({})".format(class_names              [predicted_label],
        100*np.max(predictions_array),
        class_names[true_label]),
        color=color)
def plot_value_array(i, predictions_array, true_label):
  predictions_array, true_label = predictions_array, true_label[i]
  plt.grid(False)
  plt.xticks(range(10))
  plt.yticks([])
  thisplot = plt.bar(range(10), predictions_array, color="#777777")
  plt.ylim([0, 1])
  predicted_label = np.argmax(predictions_array)
  thisplot[predicted_label].set_color('red')
  thisplot[true_label].set_color('blue')

让我们绘制一些带有预测的图像。请注意,即使非常自信,该模型也可能是错误的。

predictions = model.predict(test_images)
# Plot the first X test images, their predicted labels, and the true labels.
# Color correct predictions in blue and incorrect predictions in red.
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
  plt.subplot(num_rows, 2*num_cols, 2*i+1)
  plot_image(i, predictions[i], test_labels, test_images)
  plt.subplot(num_rows, 2*num_cols, 2*i+2)
  plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()
plt.show()


showresult.png

部分代码解释

设置图形对象 :窗口
plt.figure(‘Figure Object Name’, # 图形对象名称
figsize = (8, 6), # 窗口大小
dpi = 120, # 分辨率
facecolor = ‘lightgray’, # 背景色
)

plt.imshow(img, cmap=plt.cm.binary)
imshow是设置图片的展示,cmap意思是color map,颜色方案,binary代表是白底黑字

设置x轴刻度为0~9,y无刻度
plt.xticks(range(10))
plt.yticks([])
根据预测数值进行绘制条
plt.bar(range(10), predictions_array, color=”#777777″)

设置y轴边界
plt.ylim([0, 1])

获取预测标签
predicted_label = np.argmax(predictions_array)

绘制x轴标签
plt.xlabel

更多有关数据可视化的内容,可以查看matplot相关的文档详细了解。

https://www.jianshu.com/p/e61346b46b78

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论