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

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

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态