[Python] 纯文本查看 复制代码
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
#导入数据库（训练集和测试集）
fashion_mnist = keras.datasets.fashion_mnist
(train_images,train_labels),(test_images,test_labels) = keras.datasets.fashion_mnist.load_data()
#定义每个图片对应的标签
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
#以下是检查导入的数据是否成功
#print(train_images.shape)
# plt.figure()
# plt.imshow(train_images[0])
# plt.colorbar()
# plt.grid(False)
# plt.show()
#tensorflow神经模型只接受0-1的浮点数，所以除以255（个人理解：一个像素点是一个字节，
# 一字节等于8bit，就是2的8次方减一）把所有数据转换到0到1之间来
# train_images=train_images/255.0
# test_images=test_images/255.0
#输出训练集中25副图及对应的标签
# plt.figure(figsize=(10,10))#定义画布大小
# for i in range(25):
# plt.subplot(5,5,i+1)
# # plt.xticks([])#定义x轴刻度空白
# # plt.yticks([])#定义y周刻度空白
# plt.grid(False)#去掉网格线
# plt.imshow(train_images[i],cmap=plt.cm.binary)
# plt.xlabel(class_names[train_labels[i]])#显示每幅图对应的标签
# plt.show()#显示每幅图
#定义输出测试集输中的图片及标签函数
def plot_image(i,predicitions_array,true_label,img):
predicitions_array,true_label,img = predicitions_array , true_label[i],img[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
plt.imshow(img,cmap=plt.cm.binary)
predicited_label=np.argmax(predicitions_array)
if predicited_label == true_label:
color='blue'
else:
color='red'
plt.xlabel('{}{:2.0f}%({})'.format(class_names[predicited_label],100*np.max(predicitions_array),
class_names[true_label],
color=color))
#定义输出测试集中每幅图片对应的自信度的柱状图
def plot_value_array(i,predictions_array,true_label):
predictions_array,true_label=predictions_array,true_label[i]
plt.grid(False)
plt.xticks(range(10))
plt.yticks([])
thisplot = plt.bar(range(10),predictions_array,color='#777777')
plt.ylim([0,1])
predicted_label = np.argmax(predictions_array)
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')
#建立神经网络模型
#设置图层
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28,28)),
keras.layers.Dense(128,activation='relu'),
keras.layers.Dense(10)
])
#定义编译模型
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
#训练模型
model.fit(train_images,train_labels,epochs=10)#给模型
# test_loss,test_acc = model.evaluate(test_images,test_labels,verbose=2)#评估精度
# print('\nTest accuracy:',test_acc)
#做出预测
probability_model = tf.keras.Sequential([model,
tf.keras.layers.Softmax()])
#得到一个对数组每个元素是由10个数字组成的数组。它们代表了
# 模特的“自信”，即这个形象对应于10件不同的衣服中的每一件。
# 可以看到哪个标签具有最高的置信度值
predictions=probability_model.predict(test_images)
# print(predictions.shape)
# print(predictions[0])
#验证预测
# i=0
# plt.figure(figsize=(6,3))
# plt.subplot(1,2,1)
# plot_image(i,predictions[0],test_labels,test_images)
# plt.subplot(1,2,2)
# plot_value_array(i, predictions[i], test_labels)
# plt.show()
#
# i=12
# plt.figure(figsize=(6,3))
# plt.subplot(1,2,1)
# plot_image(i,predictions[0],test_labels,test_images)
# plt.subplot(1,2,2)
# plt.show()
#输出测试集1-15副图及预测结果
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols,2*num_rows))
for i in range(num_images):
plt.subplot(num_rows,2*num_cols,2*i+1)
plot_image(i,predictions[i],test_labels,test_images)
plt.subplot(num_rows,2*num_cols,2*i+2)
plot_value_array(i,predictions[i],test_labels)
plt.tight_layout()
plt.show()
发表于 2020-3-13 19:18
|
发表于 2020-3-13 20:32
