针对时尚类MINIST数据集探索神经网络
fashion MNIST数据集可以从Github获取。它包含10种类别的灰度图像，共7000个，每个图像的分辨率均为28x28px。下图以25张带有标签的图片向我们展示了该数据集中的数据。
上图就是训练集的25张图片展示
针对这个实验，我会使用tf.Keras，也就是一种高阶的API来构建TensorFlow的训练模型，如果你还没有安装TensorFlow，还没有设定好你的环境，可以看下这个说明（instructions）非常简单。
加载并探索数据集
数据可以直接从Keras载入，并加载到训练集（60,000张图像）和测试集（10,000张图像）中。这些图像是28x28阵列，像素值为0到255，标签是0到9的整数数组，代表10类服装。
fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
# class names are not included, need to create them to plot the images
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']我们可以看到训练数据存储在一个大小为（60000,28,28）的数组中，测试数据在（10000,28,28）数组中。
print("train_images:", train_images.shape)
print("test_images:", test_images.shape)
train_images: (60000, 28, 28)
test_images: (10000, 28, 28)我们还可以对其中一张图片进行仔细检查，比如说第一张图片看起来像足踝靴。
# Visualize the first image from the training dataset
plt.figure()
plt.imshow(train_images[0])
plt.colorbar()
plt.grid(False)
下一步是归一化数据维度，使它们的比例大致相同。
# scale the values to a range of 0 to 1 of both data sets
train_images = train_images / 255.0
test_images = test_images / 255.0训练第一个神经网络模型
首先，我们将创建一个简单的3层神经网络，该神经网络使用标签对图像进行分类。 在第一层我们'压平'数据使（28x28）的形状变平至784。
模型摘要表提供了神经网络结构和参数的可视化。
# Model a simple 3-layer neural network
model_3 = keras.Sequential([
keras.layers.Flatten(input_shape=(28,28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
model_3.summary()
3层神经网络的网络结构和参数摘要表
接下来，我们编译并训练该网络5代。
# Compile the model, specify: optimizer, loss function metrics
model_3.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model_3.fit(train_images, train_labels, epochs=5)
test_loss, test_acc = model_3.evaluate(test_images, test_labels)
print("Model - 3 layers - test loss:", test_loss * 100)
print("Model - 3 layers - test accuracy:", test_acc * 100)嗯？你的意思是迭代吗？ 什么是一代？ 代 - 所有训练案例的一个前向传递和一个后向传递。 迭代 - 传递次数，一次前传和一次后传 示例：如果您有1,000个训练样例，并且批量大小为500，则需要2次迭代才能完成1代。
我们可以看到该神经网络的测试损失为34.5，准确度为87.6。 我们如何理解呢？
解释损失和准确度 损失是训练或验证集中的每个实例偏差的总和，它不是百分比。 因此，损失越低，模型越好，除非模型过拟合。
准确度是错误分类的百分比，并且在学习参数后计算，模型越精确越好。
神经网络层数越深越精确吗？
接下来，我们将比较两种深度之间的分类准确度，即3层神经网络与6层神经网络，来看看更多层是否会有更高的精度。
让我们创建一个6层网络，增加3个隐藏层，保持相同的激活函数和形状，因此唯一变量就是神经网络的层数。
# Model a simple 6-layer neural network
model_6 = keras.Sequential([
keras.layers.Flatten(input_shape=(28,28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
model_6.summary()
6层神经网络的网络结构和参数汇总表
model_6.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model_6.fit(train_images, train_labels, epochs=5)
test_loss, test_acc = model_6.evaluate(test_images, test_labels)
print("Model - 6 layers - test loss:", test_loss * 100)
print("Model - 6 layers - test accuracy:", test_acc * 100)
因此我们的测试损耗略微降低到33.7，测试精度略有提升至88％。 这是一个提升吗？ 如果我们重新训练神经网络会怎样？ 数量略有变化，测试损失徘徊在33-35左右，精度为87-89％。你可以亲自试试！
训练代数提高能改善预测值吗？
当然，我们需要远超过5代，但这会改善我们的模型吗？ 当我们用20代重新训练我们的数据时，我们看到以下损失。
尽管在训练集种损失已经逐渐降得很低了，但我们可以看到它并没有对测试数据产生这样的效果，因为两种模型的损失总体上都有所增加。
可视化预测
现在我们可以使用训练好的模型来对时尚类图像进行分类。 如果标签为红色，则表示预测与真实标签不符; 反之它就是蓝色的。
接下来，我们将讨论神经网络的激活函数。
这篇博客的灵感来自玛格丽特·梅纳德-里德关于这些数据的精彩的博客，以及我读过的许多关于训练神经网络的各种方法和决策的其他博客。