首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >图像分类入门,轻松拿下90%准确率 | 教你用Keras搞定Fashion-MNIST

图像分类入门,轻松拿下90%准确率 | 教你用Keras搞定Fashion-MNIST

作者头像
量子位
发布2018-07-20 18:22:01
1.9K0
发布2018-07-20 18:22:01
举报
文章被收录于专栏:量子位量子位
原作 Margaret Maynard-Reid 王小新 编译自 TensorFlow的Medium 量子位 出品 | 公众号 QbitAI

这篇教程会介绍如何用TensorFlow里的tf.keras函数,对Fashion-MNIST数据集进行图像分类。

只需几行代码,就可以定义和训练模型,甚至不需要太多优化,在该数据集上的分类准确率能轻松超过90%。

在进入正题之前,我们先介绍一下上面提到的两个名词:

Fashion-MNIST,是去年8月底德国研究机构Zalando Research发布的一个数据集,其中训练集包含60000个样本,测试集包含10000个样本,分为10类。样本都来自日常穿着的衣裤鞋包,每一个都是28×28的灰度图。

这个数据集致力于成为手写数字数据集MNIST的替代品,可用作机器学习算法的基准测试,也同样适合新手入门。

想深入了解这个数据集,推荐阅读量子位之前的报道: 连LeCun都推荐的Fashion-MNIST数据集,是这位华人博士的成果

或者去GitHub: https://github.com/zalandoresearch/fashion-mnist

tf.keras是用来在TensorFlow中导入Keras的函数。Keras是个容易上手且深受欢迎的深度学习高级库,是一个独立开源项目。在TensorFlow中,可以使用tf.keras函数来编写Keras程序,这样就能充分利用动态图机制eager execution和tf.data函数。

下面可能还会遇到其他深度学习名词,我们就不提前介绍啦。进入正题,教你用tf.keras完成Fashion-MNIST数据集的图像分类~

运行环境

无需设置,只要使用Colab直接打开这个Jupyter Notebook链接,就能找到所有代码。

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

数据处理

Fashion-MNIST数据集中有十类样本,标签分别是:

  • T恤 0
  • 裤子 1
  • 套头衫 2
  • 裙子 3
  • 外套 4
  • 凉鞋 5
  • 衬衫 6
  • 运动鞋 7
  • 包 8
  • 踝靴 9

数据集导入

下面是数据集导入,为后面的训练、验证和测试做准备。

只需一行代码,就能用keras.datasets接口来加载fashion_mnist数据,再用另一行代码来载入训练集和测试集。

1# Note in Colab you can type "pip install" directly in the notebook
2!pip install -q -U tensorflow>=1.8.0
3import tensorflow as tf
4import numpy as np
5import matplotlib.pyplot as plt
6# Load the fashion-mnist pre-shuffled train data and test data
7(x_train, y_train), (x_test, y_test) = tf.keras.datasets.fashion_mnist.load_data()
8print("x_train shape:", x_train.shape, "y_train shape:", y_train.shape)

数据可视化

我喜欢用Jupyter Notebook来可视化,你也可以用matplotlib库中imshow函数来可视化训练集中的图像。要注意,每个图片都是大小为28x28的灰度图。

1# Show one of the images from the training dataset
2plt.imshow(x_train[img_index])

数据归一化

接着,进行数据归一化,使得样本值都处于0到1之间。

1x_train = x_train.astype('float32') / 255
2x_test = x_test.astype('float32') / 255

数据集划分

这个数据集一共包含60000个训练样本和10000个测试样本,我们会把训练样本进一步划分为训练集和验证集。下面是深度学习中三种数据的作用:

  • 训练数据,用来训练模型;
  • 验证数据,用来调整超参数和评估模型;
  • 测试数据,用来衡量最优模型的性能。

模型构建

下面是定义和训练模型。

模型结构

在Keras中,有两种模型定义方法,分别是序贯模型和功能函数。

在本教程中,我们使用序贯模型构建一个简单CNN模型,用了两个卷积层、两个池化层和一个Dropout层。

要注意,第一层要定义输入数据维度。最后一层为分类层,使用Softmax函数来分类这10种数据。

 1model = tf.keras.Sequential()
 2# Must define the input shape in the first layer of the neural network
 3model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=2, padding='same', activation='relu', input_shape=(28,28,1))) 
 4model.add(tf.keras.layers.MaxPooling2D(pool_size=2))
 5model.add(tf.keras.layers.Dropout(0.3))
 6model.add(tf.keras.layers.Conv2D(filters=32, kernel_size=2, padding='same', activation='relu'))
 7model.add(tf.keras.layers.MaxPooling2D(pool_size=2))
 8model.add(tf.keras.layers.Dropout(0.3))
 9model.add(tf.keras.layers.Flatten())
10model.add(tf.keras.layers.Dense(256, activation='relu'))
11model.add(tf.keras.layers.Dropout(0.5))
12model.add(tf.keras.layers.Dense(10, activation='softmax'))
13# Take a look at the model summary
14model.summary()

模型编译

在训练模型前,我们用model.compile函数来配置学习过程。在这里,要选择损失函数、优化器和训练测试时的评估指标。

1model.compile(loss='categorical_crossentropy',
2             optimizer='adam',
3             metrics=['accuracy'])

模型训练

训练模型时,Batch Size设为64,Epoch设为10。

1model.fit(x_train,
2         y_train,
3         batch_size=64,
4         epochs=10,
5         validation_data=(x_valid, y_valid),
6         callbacks=[checkpointer])

测试性能

训练得到的模型在测试集上的准确率超过了90%。

1# Evaluate the model on test set
2score = model.evaluate(x_test, y_test, verbose=0)
3# Print test accuracy
4print('\n', 'Test accuracy:', score[1])

预测可视化

我们通过datasetmodel.predict(x_test)函数,用训练好的模型对测试集进行预测并可视化预测结果。当标签为红色,则说明预测错误;当标签为绿色,则说明预测正确。下图为15个测试样本的预测结果。

相关链接

最后,在这篇普通的入门教程基础上,还有一些提升之路:

如果想深入了解本文使用的Google Colab,可以看这份官方介绍: https://medium.com/tensorflow/colab-an-easy-way-to-learn-and-use-tensorflow-d74d1686e309

如果你是深度学习初学者,MNIST也应该了解一下。之前TensorFlow有一篇MNIST教程,可以拿来和本文比较一下,你就会发现,深度学习现在已经变得简单了很多: https://www.tensorflow.org/versions/r1.1/get_started/mnist/beginners

本文用到的是Keras里的序贯模型,如果对功能函数感兴趣,可查看这篇用Keras功能函数和TensorFlow来预测葡萄酒价格的博文: https://medium.com/tensorflow/predicting-the-price-of-wine-with-the-keras-functional-api-and-tensorflow-a95d1c2c1b03

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-06-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 量子位 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 运行环境
  • 数据处理
    • 数据集导入
      • 数据可视化
        • 数据归一化
          • 数据集划分
          • 模型构建
            • 模型结构
              • 模型编译
                • 模型训练
                  • 测试性能
                  • 预测可视化
                  • 相关链接
                  领券
                  问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档