图像分类入门 轻松拿下90％准确率

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。

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界面来载入fashion_mnist数据，再用另一行代码来载入训练集和测试集。

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。

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。

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。

模型训练

训练模型时，Batch Size设为64，Epoch设为10。

测试性能

训练得到的模型在测试集上的准确率超过了90%。

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。