Tensorflow学习：基本图像分类
准备⼯作
导⼊所⽤库
# import tensorflow and tf.keras
import tensorflow as tf
from tensorflow import keras
# Helper libraries
import numpy as np
import matplotlib.pyplot as plt
准备数据集
导⼊Fashion MNIST数据集
使⽤Fashion MNIST数据集，该数据集中包含10个类别的70,000个灰度图像。这些图像以低分辨率（28x28像素）展⽰了单件⾐物
Fashion MNIST 旨在临时替代经典 MNIST 数据集，后者常被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，其格式与您将使⽤的⾐物图像的格式相同。
瘦肉丝瓜汤我们使⽤60,000个照⽚来训练⽹络，使⽤10,000个图像来评估⽹络学习对图像分类的准确率。您可以直接从TensorFlow访问 Fashion MNIST。运⾏如下代码，直接从TensorFlow中导⼊和加载Fashion MNIST数据：
fashion_mnist = keras.datats.fashion_mnist
(train_images, train_labels),(test_images, test_labels)= fashion_mnist.load_data()
加载数据集会放回四个Numpy数组：
座椅调节train_images和train_labels是训练集，即模型⽤于学习的数据。
test_images和test_labels是测试集，⽤来对模型进⾏测试。英雄联盟封号查询
图像是 28x28 的 NumPy 数组，像素值介于 0 到 255 之间。标签（label）是整数数组，介于 0 到 9 之间。这些标签对应于图像所代表的服装类：
标签类
0T恤/上⾐
1裤⼦
科学小报手抄报
2套头衫
3连⾐裙
4外套
5凉鞋
6衬衫
7运动鞋
8包
9短靴
每个图像都会被映射到⼀个标签。由于数据集不包括类名称，请将他们存储到下⽅，供稍后绘制图像时使⽤：
class_names =['T-shirt/top','Trour','Pullover','Dress','Coat',
'Sandal','Shirt','Sneaker','Bag','Ankle boot']
浏览数据
在训练模型之前，我们先浏览⼀下数据集的格式。以下代码显⽰训练集中有 60,000 个图像，每个图像由 28 x 28 的像素表⽰：
train_images.shape
同样，训练集中有 60,000 个标签：
len(train_labels)
每个标签都是⼀个0到9之间的整数：
train_labels
测试集中有 10,000 个图像。同样，每个图像都由 28x28 个像素表⽰：
test_images.shape
测试集包含 10,000 个图像标签：
len(test_labels)
预处理数据
检查数据集中第⼀个图像
plt.figure()
plt.imshow(train_images[0])
plt.show()
将这些值缩⼩⾄ 0 到 1 之间，然后将其馈送到神经⽹络模型。为此，请将这些值除以 255。请务必以相同的⽅式对训练集和测试集进⾏预处理：
train_images = train_images /255.0
test_iamges = test_images /255.0
为了验证数据的格式是否正确，以及您是否已准备好构建和训练⽹络，让我们显⽰训练集中的前 25 个图像，并在每个图像下⽅显⽰类名称。
# 验证数据的格式是否正确
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5, i+1)
plt.imshow(train_images[i], binary)
plt.xlabel(class_names[train_labels[i]])
plt.show()
霜期
构建模型
构建神经⽹络需要先配置模型的层，然后再编译模型
设置层
神经⽹络的基本组成部分是层。层会从向其馈送的数据中提取表⽰形式。希望这些表⽰形式有助于解决⼿头上的问题。
⼤多数深度学习都包括将简单的层链接在⼀起。⼤多数层（如 ）都具有在训练期间才会学习的参数。
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28,28)),
keras.layers.Den(128, activation='relu'),
keras.layers.Den(10)
])
该⽹络的第⼀层 将图像格式从⼆维数组（28 x 28 像素）转换成⼀维数组（28 x 28 = 784 像素）。将该层视为图像中未堆叠的像素⾏并将其排列起来。该层没有要学习的参数，它只会重新格式化数据。
展平像素后，⽹络会包括两个 层的序列。它们是密集连接或全连接神经层。第⼀个 Den 层有 128
个节点（或神经元）。第⼆个（也是最后⼀个）层会返回⼀个长度为 10 的 logits 数组。每个节点都包含⼀个得分，⽤来表⽰当前图像属于 10 个类中的哪⼀类。
编译模型
在准备对模型进⾏训练之间，还需要对其进⾏⼀些设置。以下内容是在模型的编译步骤中添加的：
损失函数——⽤于测量模型在训练期间的准确率。想最⼩化此函数，以便将模型“引导”到正确的⽅向上。
优化器——决定模型如何根据其所看到的数据和⾃⾝的损失函数进⾏更新
指标——⽤于监控训练和测试步骤。以下⽰例使⽤了准确率，即被正确分类的图像的⽐率。
loss = tf.keras.loss.SparCategoricalCrosntropy(from_logits=True),
metrics=['accuracy'])
训练模型
训练神经⽹络模型需要执⾏以下步骤：
火电影1. 将训练数据馈送给模型。
2. 模型学习将图像和标签关联起来
3. 要求模型对测试集进⾏预测
4. 验证预测是否与test_labels数组中这个的标签相匹配。
辈成语
向模型馈送数据
要开始训练，请调⽤model.fit⽅法，这样命名是因为该⽅法会将模型与训练数据进⾏“拟合”：
model.fit(train_images, train_labels, epochs=10)
在模型训练期间，会显⽰损失和准确率指标。此模型在训练数据上的准确率达到了 0.85（或 85%）左右。
评估准确率
接下来，⽐较模型在测试数据集上的表现：
test_loss, test_acc = model.evaluate(test_images, test_labels, verbo=2)
立志的诗句
print('\nTest accuracy:', test_acc)
结果表明，模型在测试数据集绗的准确率略低于巡礼那书九九。训练准确率和测试准确率之间的差距代表过拟合，过拟合是指机器学习模型在新的、以前从未及哪国的输⼊上的表现不如在训练数据上的表现。过拟合的模型会“记住”训练数据集中的噪声和细节，从⽽对模型在新数据上的表现产⽣负⾯影响。
进⾏预测
在模型经过训练之后，可以使⽤它对⼀些图像进⾏预测。模型具有线性输出，即logits。可以附加⼀个softmax层，将logits转换成更容易理解的概率
probability_model = tf.keras.Sequential([model,
tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)
在上例中，模型预测了测试集中每个图像的标签。查看第⼀个预测结果。
