基于 keras平台CNN神经网络模型的服装识别分析 .docxVIP

基于 keras平台CNN神经网络模型的服装识别分析在许多介绍图像识别任务的介绍中，通常使用着名的MNIST数据集。但是，这些数据存在一些问题：1.太简单了。例如，一个简单的MLP模型可以达到99％的准确度，而一个2层CNN可以达到99％的准确度。2.它被过度使用。从字面上看，每台机器学习入门文章或图像识别任务都将使用此数据集作为基准。但是，因为获得近乎完美的分类结果非常容易，所以它的实用性会受到打折，并且对于现代机器学习/ AI任务并不真正有用。因此，出现Fashion-MNIST数据集。该数据集是作为MNIST数据的直接替代而开发的，其意义在于：1.尺寸和风格相同：28x28灰度图像2.每个图像与10个类中的1个相关联，即：0：T恤/上衣，1：裤子，2：套头衫，3：连衣裙，4 ：外套，5：凉鞋，6：衬衫，7：运动鞋，8：背包，9：脚踝靴3. 60000训练样本和10000个测试样本以下是一些样本的快照：自从它出现以来，已经有多份提交文件来对这些数据进行基准测试，其中一些能够达到95％以上的准确度，最明显的是剩余网络或可分离的CNN。 我也试图用keras来对这个数据进行基准测试。keras是构建深度学习模型的高级框架，在后端选择TensorFlow，Theano和CNTK。它很容易安装和使用。对于我的应用程序，我使用了CNTK后端。你可以参考这篇文章的安装。在这里，我将以两个模型为基准。一种是层结构为256-512-100-10的MLP，另一种是类VGG的CNN。代码可以在我的github上找到：https : ///xieliaing/keras-practice/tree/master/fashion-mnist第一个模型在100个历元后的测试数据上达到了[0.89，0.90]的精度，而后者达到了45个时期后的测试数据的精度 0.94。首先，阅读Fashion-MNIST数据：import numpy as npimport io, gzip, requeststrain_image_url = /train-images-idx3-ubyte.gztrain_label_url = /train-labels-idx1-ubyte.gztest_image_url = /t10k-images-idx3-ubyte.gztest_label_url = /t10k-labels-idx1-ubyte.gzdef readRemoteGZipFile(url, isLabel=True): response=requests.get(url, stream=True) gzip_content = response.content fObj = io.BytesIO(gzip_content) content = gzip.GzipFile(fileobj=fObj).read() if isLabel: offset=8 else: offset=16 result = np.frombuffer(content, dtype=np.uint8, offset=offset) return(result)train_labels = readRemoteGZipFile(train_label_url, isLabel=True)train_images_raw = readRemoteGZipFile(train_image_url, isLabel=False)test_labels = readRemoteGZipFile(test_label_url, isLabel=True)test_images_raw = readRemoteGZipFile(test_image_url, isLabel=False)train_images = train_images_raw.reshape(len(train_labels), 784)test_images = test_images_raw.reshape(len(test_labels), 784)我们先用tSNE来看它。据说tSNE是最有效的尺寸缩小工具。这个绘图函数是从sklearn例子中借用的。 from sklearn import manifoldfrom time import timeimport matplotlib.pyplot as pltfrom matplotlib import offsetboxplt.rcParams[figure.figsize]=(20, 10)# Scale and visualize the embedding vectorsdef plo