TensorFlow實現(xiàn)服裝圖像分類深度學習應用技術服裝圖像分類職業(yè)能力目標01任務描述與要求02任務分析與計劃03知識儲備04任務實施05任務檢查與評價06任務小結07任務拓展08

服裝圖像分類了解人工智能領域機器學習的概念、分類及應用與深度學習的概念、訓練過程了解神經(jīng)網(wǎng)絡的基本結構掌握激活函數(shù)、損失函數(shù)的意義及作用掌握過擬合、欠擬合的概念及避免策略能夠正確導入訓練所需的FashinMNIST數(shù)據(jù)集并查看能夠使用matplotlib庫實現(xiàn)數(shù)據(jù)可視化并完成數(shù)據(jù)預處理能夠使用Keras構建簡單的神經(jīng)網(wǎng)絡模型能夠完成模型的訓練、評估并使用模型進行預測職業(yè)能力目標01知識目標技能目標職業(yè)能力目標01任務描述與要求02任務分析與計劃03知識儲備04任務實施05任務檢查與評價06任務小結07任務拓展08

服裝圖像分類

對下載服裝圖像數(shù)據(jù)集進行預處理，使用TensorFlow進行模型構建、模型訓練以及評估。任務描述任務要求掌握FashionMNIST數(shù)據(jù)集的加載和處理；學習使用TensorFlow框架搭建神經(jīng)網(wǎng)絡；掌握并實現(xiàn)神經(jīng)網(wǎng)絡模型訓練過程;掌握并實現(xiàn)模型評估及預測過程。任務描述與要求02職業(yè)能力目標01任務描述與要求02任務分析與計劃03知識儲備04任務實施05任務檢查與評價06任務小結07任務拓展08

服裝圖像分類任務分析如何添加神經(jīng)層？過擬合和欠擬合的區(qū)別是什么？任務分析與計劃03任務計劃表通過上面的思考，你是否對本任務要完成的工作有所了解？讓我們一起來制訂完成本次任務的實施計劃吧！任務分析與計劃03項目名稱TensorFlow實現(xiàn)服裝圖像分類任務名稱服裝圖像分類計劃方式自主設計計劃要求請用8個計劃步驟來完整描述出如何完成本次任務序號任務計劃1

2

3

4

5

6

7

8職業(yè)能力目標01任務描述與要求02任務分析與計劃03知識儲備04任務實施05任務檢查與評價06任務小結07任務拓展08

服裝圖像分類神經(jīng)網(wǎng)絡204知識儲備人工智能領域概念1過擬合、欠擬合3人工智能04人工智能（ArtificialIntelligence），英文縮寫為AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。04人工智能（1）弱人工智能

弱人工智能（ArtificialNarrowIntelligence/ANI),只專注于完成某個特定的任務，它們只是用于解決特定的具體類的任務問題而存在，大都是統(tǒng)計數(shù)據(jù)，以此從中歸納出模型。人工智能目前分為弱人工智能、強人工智能和超人工智能。04人工智能

強人工智能（Artificial

Generallnteligence/AGI),屬于人類級別的人工智能，在各方面都能和人類比肩，它能夠進行思考、計劃、解決問題、抽象思維、理解復雜理念、快速學習和從經(jīng)驗中學習等操作，并且和人類一樣得心應手。（2）強人工智能索菲亞04人工智能

超人工智能（ArtificialSuperintelligence/ASI），在幾乎所有領域都比最聰明的人類大腦都聰明許多，包括科學創(chuàng)新、通識和社交技能。在超人工智能階段，人工智能已經(jīng)跨過“奇點”，其計算和思維能力已經(jīng)遠超人腦。（3）超人工智能人工智能發(fā)展史04

第一次發(fā)展高潮（1955年—1974年）。計算機可以解決代數(shù)應用題、證明幾何定理、學習和使用英語。

第一次寒冬（1974年—1980年）。AI遭遇到瓶頸。第二次發(fā)展高潮（1980年—1987年）。在這期間目標是造出能夠與人對話、翻譯語言、解釋圖像、能夠像人一樣推理的機器。第二次寒冬（1987年—1993年）。AI硬件的市場需求突然下跌。第三次發(fā)展高潮（1993年至今）。云計算、大數(shù)據(jù)、機器學習、自然語言和機器視覺等領域發(fā)展迅速人工智能機器學習（MachineLearning）住在二環(huán)，是人工智能的核心區(qū)域，也是當前發(fā)展最迅猛的一部分，子算法流派枝繁葉茂，但思想比較統(tǒng)一。深度學習人工智能04人工智能（ArtificialIntelligence）涵蓋范圍最廣，三環(huán)以內(nèi)都可以叫人工智能，它關注的問題和方法也最雜，包括知識推理、邏輯規(guī)劃以及機器人等方面。深度學習（DeepLearning）其實原本是從機器學習的神經(jīng)網(wǎng)絡子算法分支發(fā)展出來的一系列成果，知識體系一脈相承。

機器學習——人工智能、機器學習、深度學習的關系04機器學習的概念

機器學習(MachineLearning,ML)，是人工智能的核心，屬于人工智能的一個分支。

機器學習理論主要是設計和分析一些讓計算機可以自動“學習”的算法。機器學習算法是一類從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進行預測的算法。所以機器學習的核心就是數(shù)據(jù)，算法（模型），算力（計算機運算能力）。機器學習的分類04

監(jiān)督學習（有導師學習）：輸入數(shù)據(jù)中有導師信號，以概率函數(shù)、代數(shù)函數(shù)或人工神經(jīng)網(wǎng)絡為基函數(shù)模型，采用迭代計算方法，學習結果為函數(shù)。

無監(jiān)督學習（無導師學習）：輸入數(shù)據(jù)中無導師信號，采用聚類方法，學習結果為類別。典型的無導師學習有發(fā)現(xiàn)學習、聚類、競爭學習等。

強化學習（增強學習）：以環(huán)境反饋（獎/懲信號）作為輸入，以統(tǒng)計和動態(tài)規(guī)劃技術為指導的一種學習方法。04

機器學習應用領域十分廣泛，無論是在軍事領域還是民用領域，都有機器學習算法施展的機會。例如：數(shù)據(jù)挖掘、數(shù)據(jù)分類、計算機視覺、自然語言處理(NLP)、生物特征識別、搜索引擎、醫(yī)學診斷、檢測信用卡欺詐、機器翻譯、證券市場分析、DNA序列測序、語音和手寫識別、戰(zhàn)略游戲和機器人運用等。機器學習的應用

04

深度學習(DL,DeepLearning)是機器學習(ML,MachineLearning)領域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標——人工智能(AI,ArtificialIntelligence)。

深度學習在搜索技術，數(shù)據(jù)挖掘，機器學習，機器翻譯，自然語言處理，多媒體學習，語音，推薦和個性化技術，以及其他相關領域都取得了很多成果。深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究，含多個隱藏層的多層感知器就是一種深度學習結構。

深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學習深度學習的概念04深度學習的訓練過程

（1）自下上升的非監(jiān)督學習

從底層開始，一層一層地往頂層訓練。采用無標定數(shù)據(jù)分層訓練各層參數(shù)，這一步可以看作是一個無監(jiān)督訓練過程，這也是和傳統(tǒng)神經(jīng)網(wǎng)絡區(qū)別最大的部分，可以看作是特征學習過程。（2）自頂向下的監(jiān)督學習

通過帶標簽的數(shù)據(jù)去訓練，誤差自頂向下傳輸，對網(wǎng)絡進行微調(diào)?；诘谝徊降玫降母鲗訁?shù)進一步優(yōu)調(diào)整個多層模型的參數(shù)，這一步是一個有監(jiān)督訓練過程。04知識儲備神經(jīng)網(wǎng)絡2112過擬合、欠擬合3人工智能領域概念神經(jīng)網(wǎng)絡04

神經(jīng)網(wǎng)絡的算法目前最受追捧，因為擊敗李世石的阿爾法狗所用到的算法實際上就是基于神經(jīng)網(wǎng)絡的深度學習算法。

神經(jīng)網(wǎng)絡簡單地說就是將多個神經(jīng)元連接起來、組成一個網(wǎng)絡。一個多層感知機的示意圖如右，網(wǎng)絡的最左邊一層被稱為輸入層，其中的神經(jīng)元被稱為輸入神經(jīng)元。

最右邊及輸出層包含輸出神經(jīng)元，在這個例子中，只有一個單一的輸出神經(jīng)元，但一般情況下輸出層也會有多個神經(jīng)元。中間層被稱為隱含層，因為里面的神經(jīng)元既不是輸入也不是輸出。030102神經(jīng)元04

神經(jīng)元是神經(jīng)網(wǎng)絡的基本組成，如果把它畫出來，大概就長成右圖這樣。

圖中神經(jīng)元左邊的x表示對神經(jīng)元的多個輸入，w表示每個輸入對應的權重，神經(jīng)元右邊的箭頭表示它僅有一個輸出。04激活函數(shù)

激活函數(shù)（ActivationFunction）是一種添加到人工神經(jīng)網(wǎng)絡中的函數(shù)，旨在幫助網(wǎng)絡學習數(shù)據(jù)中的復雜模式。類似于人類大腦中基于神經(jīng)元的模型，激活函數(shù)最終決定了要發(fā)射給下一個神經(jīng)元的內(nèi)容。能使得神經(jīng)網(wǎng)絡輸出變?yōu)榉蔷€性映射，且能有效減輕梯度消失問題。04

①Sigmoid函數(shù)是一個在生物學中常見的S型函數(shù)，也稱為S型生長曲線。在信息科學中，由于其單增以及反函數(shù)單增等性質(zhì)，Sigmoid函數(shù)常被用作神經(jīng)網(wǎng)絡的閾值函數(shù)，將變量映射到0,1之間。②Sigmoid函數(shù)的缺點：傾向于梯度消失；函數(shù)輸出不是以0為中心的，這會降低權重更新的效率；執(zhí)行指數(shù)運算，計算機運行得較慢。Sigmoid函數(shù)公式如下

激活函數(shù)04

①Tanh是雙曲函數(shù)中的一個，Tanh()為雙曲正切。tanh函數(shù)和sigmoid函數(shù)的曲線相對相似。但是它比sigmoid函數(shù)更有一些優(yōu)勢。

②當輸入較大或較小時，Tanh函數(shù)輸出幾乎是平滑的并且梯度較小，這不利于權重更新。二者的區(qū)別在于輸出間隔，tanh的輸出間隔為1，并且整個函數(shù)以0為中心，比sigmoid函數(shù)更好；

③在tanh圖中，負輸入將被強映射為負，而零輸入被映射為接近零。

④注意：在一般的二元分類問題中，tanh函數(shù)用于隱藏層，而sigmoid函數(shù)用于輸出層，但這并不是固定的，需要根據(jù)特定問題進行調(diào)整。激活函數(shù)04Relu激活函數(shù)（TheRectifiedLinearUnit），用于隱層神經(jīng)元輸出，相比于sigmoid函數(shù)和tanh函數(shù)，它具有如下優(yōu)點：當輸入為正時，不存在梯度飽和問題。計算速度快得多。當然，它也有缺點：

當輸入為負時，ReLU完全失效，在正向傳播過程中，這不是問題。ReLU函數(shù)不是以0為中心的函數(shù)。激活函數(shù)04

①LeakyReLU函數(shù)，一種專門設計用于解決DeadReLU(神經(jīng)元壞死)問題的激活函數(shù),為了徹底避免deadReLU現(xiàn)象。用一個類似0.01的小值來初始化神經(jīng)元，從而使得ReLU在負數(shù)區(qū)域更偏向于激活而不是死掉。LeakyReLU公式如下：激活函數(shù)04

①ELU函數(shù)是針對ReLU函數(shù)的一個改進型，相比于ReLU函數(shù)，在輸入為負數(shù)的情況下，是有一定的輸出的，而且這部分輸出還具有一定的抗干擾能力。

②與ReLU相比，ELU有負值，這會使激活的平均值接近零。

ELU具有ReLU的所有優(yōu)點，輸出的平均值接近0，以0為中心。

③

ELU公式如下：激活函數(shù)04損失函數(shù)損失函數(shù)

損失函數(shù)用來評價模型的預測值和真實值不一樣的程度，給模型的優(yōu)化指引方向。損失函數(shù)選擇的越好，通常模型的性能越好。不同的模型用的損失函數(shù)一般也不一樣。優(yōu)化神經(jīng)網(wǎng)絡的基準，就是縮小損失函數(shù)的輸出值。04交叉熵損失(CrossEntropy)：均方差損失與評價絕對誤差損失

均方差（MSE）損失是機器學習、深度學習回歸任務中最常用的一種損失函數(shù)，也稱為L2Loss。平均絕對誤差（MAE）是另一類常用的損失函數(shù)，也稱為L1Loss。MSE比MAE能夠更快收斂，MAE對異常點更加魯棒。MSE與MAE區(qū)別損失函數(shù)04

合頁損失函數(shù)是一種將MSE與MAE結合起來，取兩者優(yōu)點的損失函數(shù)。從圖中可以看到：1）0-1損失：當樣本被正確分類時，損失為0；當樣本被錯誤分類時，損失為1。2）感知機損失函數(shù)：當樣本被正確分類時，損失為0；當樣本被錯誤分類時，損失為-y(wx+b)。3）合頁損失函數(shù)：當樣本被正確分類且函數(shù)間隔大于1時，合頁損失才是0，否則損失是1-y(wx+b)。也就是說，合頁損失函數(shù)對學習有更高的要求。缺點：合頁損失函數(shù)是對錯誤越大的樣本施以更嚴重的懲罰?？蛇@樣會導致?lián)p失函數(shù)對噪音敏感。損失函數(shù)04

①softmax函數(shù)，又稱歸一化指數(shù)函數(shù)。

我們知道概率有兩個性質(zhì)：預測的概率為非負數(shù)；各種預測結果概率之和等于1。softmax就是將在負無窮到正無窮上的預測結果按照這兩步轉(zhuǎn)換為概率的。

②softmax第一步就是將模型的預測結果轉(zhuǎn)化到指數(shù)函數(shù)上。為了確保各個預測結果的概率之和等于1，只需要將轉(zhuǎn)換后的結果進行歸一化處理。損失函數(shù)04

交叉熵損失函數(shù)，也稱為對數(shù)損失或者logistic損失。交叉熵能夠衡量同一個隨機變量中的兩個不同概率分布的差異程度，在機器學習中就表示為真實概率分布與預測概率分布之間的差異。交叉熵的值越小，模型預測效果就越好。

損失函數(shù)神經(jīng)網(wǎng)絡204知識儲備人工智能領域概念1過擬合、欠擬合3104過擬合概念

訓練準確率和測試準確率之間的差距代表過擬合。過擬合是指機器學習模型在新的、以前未曾見過的輸入上的表現(xiàn)不如在訓練數(shù)據(jù)上的表現(xiàn)。簡言之，過擬合就是訓練時的結果很好，但是在預測時結果不好的情況。避免過擬合的策略04

更多的數(shù)據(jù)能夠讓模型學習的更加全面。數(shù)據(jù)集擴增就是要得到更多符合要求的數(shù)據(jù)。

結構風險損失函數(shù)就是經(jīng)驗損失函數(shù)+表示模型復雜度的正則化，正則項通常選擇L1或者L2正則化。結構風險損失函數(shù)能夠有效地防止過擬合。

（1）數(shù)據(jù)集擴增（2）正則化

在訓練的過程中，記錄到目前為止最好的驗證正確率，當連續(xù)10次Epoch，驗證正確率沒有達到最佳Accuracy，就可以停止迭代了。

數(shù)據(jù)較少時，降低模型復雜度是比較有效的方法，適當?shù)慕档湍Ｐ蛷碗s度可以降低模型對噪聲的擬合度。（3）提前停止訓練（4）降低模型復雜度欠擬合概念04

欠擬合就是模型沒有很好地捕捉到數(shù)據(jù)特征，不能夠很好地擬合數(shù)據(jù)。模型不夠復雜或者訓練數(shù)據(jù)過少時，模型均無法捕捉訓練數(shù)據(jù)的基本(或者內(nèi)在)關系，會出現(xiàn)偏差。這樣一來，模型一直會錯誤地預測數(shù)據(jù)，從而導致準確率降低，這種現(xiàn)象稱之為模型欠擬合。04避免欠擬合策略增加新特征添加多項式特征減少正則化參數(shù)，使用非線性模型調(diào)整模型的容量(capacity)集成學習方法。避免欠擬合策略職業(yè)能力目標01任務描述與要求02任務分析與計劃03知識儲備04任務實施05任務檢查與評價06任務小結07任務拓展08

服裝圖像分類05任務實施模型搭建2模型任務準備1模型訓練與評估3模型預測4模型任務準備05本任務使用TensorFlow版本為2.5.01、安裝TensorFlow代碼如下：!sudopipinstalltensorflow==2.5.005本任務使用了tf.keras。2、導入依賴包tf.keras是TensorFlow中用來構建和訓練模型的高級API。模型任務準備05加載數(shù)據(jù)集會返回四個NumPy數(shù)組：3、導入FashionMNIST數(shù)據(jù)集訓練集：train_images和train_labels，模型使用它們的數(shù)據(jù)進行學習。測試集：test_images和test_labels，它們的數(shù)據(jù)會被用來對模型進行測試。模型任務準備05標簽與類對應表圖像是28x28的NumPy數(shù)組，像素值介于0到255之間。模型任務準備05Fashion_Mnist數(shù)據(jù)集訓練集60,000個圖像來訓練網(wǎng)絡，使用10,000個圖像來評估網(wǎng)絡學習對圖像分類的準確率。在訓練模型之前，先瀏覽訓練集的格式。4、瀏覽數(shù)據(jù)模型任務準備05任務實施模型搭建2模型任務準備1模型訓練與評估3模型預測4051、添加神經(jīng)層神經(jīng)網(wǎng)絡的基本組成部分是層。層會從向其饋送的數(shù)據(jù)中提取表示形式。大多數(shù)深度學習都包括將簡單的層鏈接在一起。大多數(shù)層（如tf.keras.layers.Dense）都具有在訓練期間才會學習的參數(shù)。模型參數(shù)：模型搭建Flatten()展平層，將tensor展開，不做計算Dense()全連接層05在準備對模型進行訓練之前，還需要再對其進行一些設置。以下內(nèi)容是在模型的編譯步驟中添加的：2、編譯模型損失函數(shù)-用于測量模型在訓練期間的準確率。優(yōu)化器-決定模型如何根據(jù)其看到的數(shù)據(jù)和自身的損失函數(shù)進行更新。指標-用于監(jiān)控訓練和測試步驟。模型搭建05#編譯模型tf.keras.Mpile(optimizer,loss,metrics)模型搭建

optimizer:模型訓練使用的優(yōu)化器，可以從tf.keras.optimizers中選擇。loss:模型優(yōu)化時使用的損失值類型，可以從tf.keras.losses中選擇。metrics：訓練過程中返回的矩陣評估指標，可以從tf.keras.metrics中選擇。05任務實施模型搭建2模型任務準備1模型訓練與評估3模型預測405開始訓練，調(diào)用model.fit方法，這樣命名是因為該方法會將模型與訓練數(shù)據(jù)進行“擬合”：1、向模型饋送數(shù)據(jù)tf.keras.Model.fit(x,y,batch_size,epochs,validation_data)x:訓練集數(shù)組。y:訓練集標簽數(shù)組。batch_size：批處理數(shù)量。(此次省略)epochs:迭代次數(shù)。validation_data：驗證集的圖片和標簽數(shù)組。（此次省略）模型訓練與評估05比較模型在測試數(shù)據(jù)集上的表現(xiàn)2、評估準確率模型訓練與評估tf.keras.Model.evaluate(x,y,batch_size=None,verbose=1):x:測試集圖片數(shù)組。y:測試集標簽數(shù)組。batch_size：批處理數(shù)量。verbose：模式選擇，0為靜音模式，1為正常模式，有處理進度條。053、模型預測在模型經(jīng)過訓練后，您可以使用它對一些圖像進行預測。模型具有線性輸出，即logits。您可以附加一個softmax層，將logits轉(zhuǎn)換成更容易理解的概率。np.argmax():返回數(shù)組中最大值的index。模型訓練與評估054、驗證預測結果正確的預測標簽為藍色，錯誤的預測標簽為紅色。數(shù)字表示預測標簽的百分比（總計為100）。模型訓練與評估05任務實施模型搭建2模型任務準備1模型訓練與評估3模型預測405從測試數(shù)據(jù)集中抓取一個圖像進行預測。1、模型預測模型預測tf.keras.Model.predict(x,batch_size=None,verbose=0)x:圖片數(shù)據(jù)數(shù)組batch_size：批處理數(shù)量。verbose：模式選擇，0為靜音模式，1為正常模式，有處理進度條。職業(yè)能力目標01任務描述與要求02任務分析與計劃03知識儲備04任務實施05任務檢查與評價06任務小結07任務拓展08

服裝圖像分類任務檢查與評價061、請參照評價標準完成自評和對其他小組的互評。2、各組請代表分析本組任務實施經(jīng)驗。項目名稱Tensorflow實現(xiàn)服裝圖像分類任務名稱服裝圖像分類評價方式可采用自評、互評、老師評價等方式說