TensorFlow 2.0學習筆記(1)：服飾影像分類

2021/03/03更新檢查dataset時可以使用的程式

train_images[0]          #查看training set中的第一張圖片
train_labels.max()       #查看training set中最大的label (0~9則為9)
train_labels.min()       #查看training set中最小的label (0~9則為0)
train_images[train_labels==2]   #查看training set中，label是2的圖片
tf.keras.utils.plot_model(model) #將搭建好的TensorFlow可視化呈現
model.layers[1].weights  #第二層layer的weights
model.layers[1].output   #第二層layer的output
#加入testing的資料，來查看val acc和val loss
model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))
#將對1張圖的prediction結果進行加總，如果使用softmax的話，加總值應該等於1
sum(predictions[0])

Google Colaboratory

安裝套件

pip install -U tensorflow_datasets #用來下載、讀取dataset

載入套件

import tensorflow as tf
import tensorflow_datasets as tfds
tfds.disable_progress_bar()
import math
import numpy as np
import matplotlib.pyplot as plt

本次的資料集選用Fashion MNIST dataset，該資料有70,000張灰階圖片，分成10個類別，28x28的圖片尺寸

載入資料

dataset, metadata = tfds.load('fashion_mnist', as_supervised=True, with_info=True)
train_dataset, test_dataset = dataset['train'], dataset['test']
#模型用train_dataset訓練；用test_dataset進行測試

建立標籤

class_names = ['T-shirt/top','Trouser','Pullover','Dress', 'Coat','Sandal','Shirt','Sneaker','Bag','Ankle boot']
#該資料集有10種不同的標籤[0~9]

檢視資料

num_train_examples = metadata.splits['train'].num_examples
num_test_examples = metadata.splits['test'].num_examples
print("Number of training examples: {}".format(num_train_examples))
print("Number of test examples:     {}".format(num_test_examples))
# Number of training examples: 60000 
# Number of test examples:     10000

預處理資料

#正規化將pixel從[0~255]變成[0~1]之間的範圍
def normalize(images, labels):
    images = tf.cast(images, tf.float32)
    images /= 255
    return images, labels
# map函數將normalize函式映射到train_dataset和test_dataset
train_dataset =  train_dataset.map(normalize)
test_dataset  =  test_dataset.map(normalize)
# 將圖片快取至記憶體當中，加快後續載入速度
train_dataset =  train_dataset.cache()
test_dataset  =  test_dataset.cache()

檢視圖片

# 將圖片移除顏色
for image, label in test_dataset.take(1):
    break
    image = image.numpy().reshape((28,28))
# 單一圖片
plt.figure()
plt.imshow(image, cmap=plt.cm.binary)
plt.colorbar()
plt.grid(False)
plt.show()
# 顯示前25張圖片
plt.figure(figsize=(10,10))
i = 0
for (image, label) in test_dataset.take(25):
    image = image.numpy().reshape((28,28))
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(image, cmap=plt.cm.binary)
    plt.xlabel(class_names[label])
    i += 1
plt.show()

建立模型

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28, 1)),  #輸入層
    tf.keras.layers.Dense(128, activation=tf.nn.relu), #隱藏層
    tf.keras.layers.Dense(10)                          #輸出層
])
#(input_shape=(28, 28, 1))，將圖片尺寸從28x28轉到1維陣列(784 pixels)
#(128, activation=tf.nn.relu)，128個神經元、激活函數使用RELU
#(10)，代表著輸出有10個類別

編譯模型

model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])
# optimizer：使用adam來降低損失
# loss：測量損失
# metrics：使用accuracy來衡量

訓練模型

BATCH_SIZE = 32
train_dataset = train_dataset.cache().repeat().shuffle(num_train_examples).batch(BATCH_SIZE)
test_dataset = test_dataset.cache().batch(BATCH_SIZE)
model.fit(train_dataset, epochs=5, steps_per_epoch=math.ceil(num_train_examples/BATCH_SIZE))
# .repeat()重複執行；
# .shuffle()打散資料，讓電腦不跟著順序訓練；
# .batch(BATCH_SIZE)每次使用32張圖片進行訓練

評估準確度

test_loss, test_accuracy = model.evaluate(test_dataset, steps=math.ceil(num_test_examples/32))
print('Accuracy on test dataset:', test_accuracy)

進行預測

for test_images, test_labels in test_dataset.take(1):
    test_images = test_images.numpy()
    test_labels = test_labels.numpy()
    predictions = model.predict(test_images)
predictions[0]              #預測第一張圖片，顯示10個類別的信心分數
np.argmax(predictions[0])   #用numpy找出信心分數最高的類別
test_labels[0]              #用test集判斷是否與預測結果一樣