前言
上篇文章介绍了如何使用TensorFlow来搭建神经网络模型，对fashion-mnist数据集进行多分类的预测。
上篇文章的思路，是把(28, 28)的图片展开成 (768, 1)的一维数据，然后进行全连接层搭建模型，
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation = tf.nn.relu),
tf.keras.layers.Dense(10, activation = tf.nn.softmax)
])
从上篇文章的模型代码中，我们可以看到，只使用了全连接层。最后的准确率大概是 86%~87%之间。
那么有没有方法再提高一些准确率呢，答案是有的，今天我们来使用卷积神经网络来提升准确率。
前情回顾
和上次一样，我们这次使用的数据集依然是fashion-mnist。是一个图片多分类的任务。包含衣服、鞋子等各种物品。
每一个训练数据都对应一个类别。 其Label的取值范围是 0 - 9 ，一共10类。每一类对应的实际含义如下表：
| Label | Description |
|---|---|
| 0 | T-shirt/top |
| 1 | Trouser |
| 2 | Pullover |
| 3 | Dress |
| 4 | Coat |
| 5 | Sandal |
| 6 | Shirt |
| 7 | Sneaker |
| 8 | Bag |
| 9 | Ankle boot |
模型搭建
导入数据
import tensorflow as tf
minst = tf.keras.datasets.fashion_mnist.load_data()
数据集拆分
留一部分当训练集，一部分当测试集
(training_images, training_labels), (test_images, test_labels) = minst
归一化
归一化的作用是在梯度下降的时候，对每个特征都能有效的稳定的求导。
training_images = training_images / 255
test_images = test_images/255
维度调整
我们把数据集变成了 28281的维度，1表示1个颜色通道，由于这里的图像是灰度图，所以只有1个通道。 在彩色图片的情况下，就可能是R，G，B三个维度了。
training_images = training_images.reshape(60000, 28, 28, 1)
test_images = test_images.reshape(10000, 28, 28, 1)
建立模型
首先建立模型。建立后的模型，里面的输入和输出，我们待会儿通过一条命令来查看。
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(64, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(tf.keras.layers.MaxPooling2D(2, 2))
model.add(tf.keras.layers.Conv2D(64, (3, 3), activation='relu'))
model.add(tf.keras.layers.MaxPooling2D(2, 2))
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(128, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))
编译模型
然后是编译模型，这里 loss使用的是sparse_categorical_crossentropy，一般可用在多分类任务里。 optimizer使用的是Adam。
model.compile(
optimizer = tf.optimizers.Adam(),
loss="sparse_categorical_crossentropy",
metrics=['accuracy']
)
模型概况
model.summary()
我们可以看到每一层的类别，以及的输入和输出的维度。最后一层softmax进行10分类。
Model: "sequential_5"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d_5 (Conv2D) (None, 26, 26, 64) 640
max_pooling2d_3 (MaxPooling (None, 13, 13, 64) 0
2D)
conv2d_6 (Conv2D) (None, 11, 11, 64) 36928
max_pooling2d_4 (MaxPooling (None, 5, 5, 64) 0
2D)
flatten_5 (Flatten) (None, 1600) 0
dense_8 (Dense) (None, 128) 204928
dense_9 (Dense) (None, 10) 1290
=================================================================
Total params: 243,786
Trainable params: 243,786
Non-trainable params: 0
模型训练
model.fit(training_images, training_labels, epochs = 50)
下面是训练过程，我么可以发现准确率逐渐提高到了99.45%。
Epoch 1/50
1875/1875 [==============================] - 7s 3ms/step - loss: 0.4372 - accuracy: 0.8412
Epoch 2/50
1875/1875 [==============================] - 6s 3ms/step - loss: 0.2946 - accuracy: 0.8912
Epoch 3/50
...
...
Epoch 48/50
1875/1875 [==============================] - 6s 3ms/step - loss: 0.0173 - accuracy: 0.9945
Epoch 49/50
1875/1875 [==============================] - 6s 3ms/step - loss: 0.0158 - accuracy: 0.9952
Epoch 50/50
1875/1875 [==============================] - 6s 3ms/step - loss: 0.0170 - accuracy: 0.9945
结果预测
model.evaluate(test_images, test_labels)
结果如下：
1，我们发现最后的准确率达到了90.6%，比只使用全连接层，多了4个点的准确率。
2，训练集的准确率达到了99%以上了。但是测试集只有90.6%，这说明发生了过拟合。
313/313 [==============================] - 1s 2ms/step - loss: 0.9121 - accuracy: 0.9060
后记
有在机器学习和深度学习的小伙伴，可以留言和点赞，我们一起交流。
