Tensorflow神经网络模型训练之Fashion Mnist

1.最简单的单神经元网络

例子：

通过简单观察我们可以知道x与y满足的表达式：

那么如何让机器自己学习x与y之间的关系呢？

1）构建模型

model=keras.Sequential([keras.layers.Dense(units=1,input_shape=[1])])
model.compile(optimizer='sgd',loss='mean_squared_error')

代码说明：

• keras是tensorflow的一个高级的API；units=1代表一层神经元；input_shape=[1]表示只有一个输入值。
  
• 指定模型的lossfunction，根据什么检测损失
  指定optimizer，根据什么来优化；’sgd’表示一种优化器；mean_squared_error均方误差损失函数。
  

2）准备训练数据

xs=np.array([-1.0,0.0,1.0,2.0,3.0,4.0],dtype=float)
ys=np.array([-3.0,-1.0,1.0,3.0,5.0,7.0])

代码解释：使用numpy将x与y的取值转成array，可以指定数据类型。

3）训练模型

使用fit方法训练模型epochs指训练的次数，所有的数据训练一次为有一个epochs，epochs=500，就是指这些数据要跑500次，这个模型学习500次。

model.fit(xs,ys,epochs=500)

4）使用模型

最后使用模型预测x=10.0时y的值是多少
我们代入y=2x-1，应该是19，但是输出未必正好是19，他可能是一个很接近19的一个值，神经网络会把y的取值当做一个概率的问题来做，结果就是概率最大情况的取值。

print(model.prediict([10.0]))

5）运行结果

• 先训练10个epoch，我们可以看到loss在逐渐减小
  
  -训练500次后损失较少为2.8224×10
  (-5)
  – 根据模型预测x=10.0时，y的值为18.9845，与19非常接近说明预测结果很好。
  
  

2.BP神经网络的实例

1）Fashion MNIST数据集

• 70000张图片
  
• 10个类别
  
• 图像像素为28×28
  

2）加载Fashion MNIST数据集

from tensorflow import keras
fashion_mnist = keras.datasets.fashion_mnist
(train_images,train_labels),(test_images,test_labels) = fashion_mnist.load_data()

运行结果：
首次加载数据集时可以看到下载进度条。

• 查看训练集图像和测试集图像的大小
  

print(train_images.shape)
print(train_images[0])
print(test_images.shape)
print(train_labels[:5])

• 看看具体的图片是什么样子的
  使用matplot.pyplot中的imshow方法将图片展示出来，第0张图片是一只靴子，第1张图片是一件T恤。
  
  

import matplotlib.pyplot as plt
plt.imshow(train_images[0])

3）构建神经元网络模型

一个三层神经元网络结构：

• 输入层接受输入，因为训练数据是28×28的，所以输入这个shape也是28×28的，它是把28×28的像素展开共784个像素；
  
• 中间层有128个神经元，是可以自己任意修改中间层的神经元个数的；
  
• 最后一层是输出层，因为我们是10分类问题，所以有10个输出，即10个神经元。
  

model=keras.Sequential()
model.add(keras.layers.Flatten(input_shape=(28,28)))
model.add(keras.layers.Dense(128,activation=tf.nn.relu))
model.add(keras.layers.Dense(10,activation=tf.nn.softmax))

-使用model.summary()看看网络结构

model.summary()

网络参数解读：
第二层：10480=784×128+128=100352+128
第三层：1290=10×(128+1)

4）训练

model.compile(optimizer=tf.optimizers.Adam(),loss=tf.losses.sparse_categorical_crossentropy,metrics=['accuracy'])
model.fit(train_images,train_labels)//未指定epochs，默认训练一次
model.fit(train_images,train_labels,epochs=5)

• 归一化
  

为了训练更好，我们可以对训练数据进行normalization 或者scalling，就让它变成 0 到1 之间的数。

train_images=train_images/255# #归一化变成0~1之间数
model.fit(train_images,train_labels,epochs=5)

运行结果：与未归一化相比，通过normalization训练中loss更小，准确度accuracy更高了，训练效果更好了。

5）评估模型

• test数据集测试
  

模型训练完成后，我们可用test数据集评估模型的准确度

test_images_scaled=test_images/255
model.evaluate(test_images_scaled,test_labels)

我们看到loss比训练时有点增加，accuracy比训练是有点低，不过查德努什很多，说明模型训练的还是可以的！

• 预测单个图像的类别
  

import numpy as np
import matplotlib.pyplot as plt
print(np.argmax(model.predict([[(test_images[0]/255).reshape(1, 28, 28)]])))
print(test_labels[0])
plt.imshow(test_images[0])

我们看到loss比训练时有点增加，accuracy比训练是有点低，不过查德努什很多，说明模型训练的还是可以的

• 可视化loss与accuracy
  

history = model.fit(train_images,train_labels,epochs=50,validation_split=0.3,shuffle=True)
epochs = len(history.history['loss']) #获取X轴长度

fig, axes = plt.subplots(2, sharex=True, figsize=(12, 8))
fig.suptitle('Training Metrics')

axes[0].set_ylabel("Loss", fontsize=14)
axes[0].set_xlabel("Epoch", fontsize=14)
axes[0].plot(range(epochs),history.history['loss'], label='Loss')
axes[0].plot(range(epochs),history.history['val_loss'], label='Loss')
plt.legend()

axes[1].set_ylabel("Accuracy(%)", fontsize=14)
axes[1].set_xlabel("Epoch", fontsize=14)
axes[1].plot(range(epochs),history.history['accuracy'], label='Accuracy')
axes[1].plot(range(epochs),history.history['val_accuracy'], label='Val_accuracy')
# plt.savefig('./epoch.jpg')
# plt.suptitle('自定义图表', fontsize=400, ha='center')  # 即标题在x轴和y轴形成的方框内部，如下图（详细用法见下注释）。如果需要标题在这上方，使用 plt.title(blabla) 
plt.legend()
plt.show()

运行结果：

从上图可以看出：loss与准确率曲线可以看出训练过拟合了，训练集的loss下降多，但是测试集的训练loss增加了，训练参数不匹配，我们可以通过调节训练次数对模型进行优化。

6）自动终止

为了避免过拟合，我们可以设置一个条件，当条件满足时，训练会及时终止。
定义一个Callbacks的类传递给参数，每次训练都会调用这个类，当满足这个类的条件时，训练就会自动终止。

class myCallback(tf.keras.callbacks.Callback):
        def on_epoch_end(self,epoch,logs={}):
            if(logs.get('loss')<0.4):
                print("\nLoss is low so cancelling training!")
                self.model.stop_training=True
    

callbacks=myCallback()
mnist=tf.keras.datasets.fashion_mnist
(training_images,training_labels),(test_images,test_labels)=mnist.load_data()
training_images_scaled=training_images/255.0
test_images_scaled=test_images/255.0
model=tf.keras.models.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512,activation=tf.nn.relu),
    tf.keras.layers.Dense(10,activation=tf.nn.softmax)
    ])
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy')
model.fit(training_images_scaled,training_labels,epochs=5,callbacks=[callbacks])

如运行结果显示：当loss<0.4时，训练自动终止。