#目的：Basic classification: Classify images of clothing #1.步驟1：import tensorflow library # TensorFlow and tf.keras import tensorflow as tf # Helper libraries import numpy as np import matplotlib.pyplot as plt print("tensorflow的版本 = ",tf.__version__) #2.步驟2：Import the Fashion MNIST dataset fashion_mnist = tf.keras.datasets.fashion_mnist (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data() #3.步驟3：These correspond to the class of clothing the image class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] #4.步驟4：印出訓練用資料，測試用資料的大小 #there are 60,000 images in the training set, with each image represented as 28 x 28 pixels print("訓練用資料集:圖片（train_images）的陣列大小=",train_images.shape) #print("印出訓練資料樣式名稱（test_labels）資料集的陣列大小=",train_labels.shape) print("訓練用資料集:樣式名稱（test_labels）的陣列大小=",len(train_labels)) print(train_labels) print("測試用資料集:圖片（test_images）的陣列大小=",test_images.shape) print("測試用資料集:樣式名稱（test_labels）的陣列大小=",test_labels.shape) #5.步驟5：畫出訓練用資料的第1個圖片 plt.figure() #打開一張畫紙 plt.imshow(train_images[0]) plt.colorbar() plt.grid(True) #plt.show() #印出第1個圖片的樣式標籤名稱 plt.xlabel(class_names[train_labels[0]]) #6.步驟6：把資料圖片像素的色階由0～255，正規化成0～1 train_images = train_images / 255.0 test_images = test_images / 255.0 #7.步驟7：畫出前面8張圖片 plt.figure(figsize=(2,2)) #打開一張2x2的畫紙 plt.imshow(train_images[1]) plt.xlabel(class_names[train_labels[1]]) plt.figure(figsize=(2,2)) #打開一張2x2的畫紙 plt.imshow(train_images[2]) plt.xlabel(class_names[train_labels[2]]) plt.figure(figsize=(2,2)) #打開一張2x2的畫紙 plt.imshow(train_images[3]) plt.xlabel(class_names[train_labels[3]]) plt.figure(figsize=(2,2)) #打開一張2x2的畫紙 plt.imshow(train_images[4]) plt.xlabel(class_names[train_labels[4]]) #畫出黑白圖（設定cmap參數，cmap意思是color map) #顏色方案， #(1).gray：0-255級灰度，0：黑色，1：白色，黑底白字； #(2).gray_r：翻轉gray的顯示，如果gray將圖像顯示為黑底白字，gray_r 會將其顯示為白底黑字； #(3).binary：binary代表是白底黑字，binary是白→黑（0→1） #(4).bone是黑→白（0→1） #(1).diverging colormaps：兩端發散的色圖 plt.figure(figsize=(2,2)) #打開一張2x2的畫紙 plt.imshow(train_images[5], cmap=plt.cm.binary) plt.xlabel(class_names[train_labels[5]]) plt.figure(figsize=(2,2)) #打開一張2x2的畫紙 plt.imshow(train_images[6], cmap=plt.cm.binary) plt.xlabel(class_names[train_labels[6]]) plt.figure(figsize=(2,2)) #打開一張2x2的畫紙 plt.imshow(train_images[7], cmap=plt.cm.binary) plt.xlabel(class_names[train_labels[7]]) #畫出5x5=25個圖片 plt.figure(figsize=(10,10)) for i in range(25): plt.subplot(5,5,i+1) plt.xticks([]) plt.yticks([]) plt.grid(False) plt.imshow(train_images[i], cmap=plt.cm.binary) plt.xlabel(class_names[train_labels[i]]) plt.show() #8.步驟8：建立類神經網路模型 model = tf.keras.Sequential( [ tf.keras.layers.Flatten(input_shape=[28, 28]), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(10, activation='softmax') ]) #9.步驟9：確立求解的目標函數，設定求解方法： #方法：用keras的model.compile()函數來設定（A.損失函數(loss)、B.優化函數(optimizer)，C.成效衡量指標(mertrics) #Loss function —This measures how accurate the model is during training. You want to minimize this function to "steer" the model in the right direction. #Optimizer —This is how the model is updated based on the data it sees and its loss function. #Metrics —Used to monitor the training and testing steps. The following example uses accuracy, the fraction of the images that are correctly classified. model.compile( #第1種寫法：使用參數設定（例如‘adam') #optimizer='adam', #loss = 'sparse_categorical_crossentropy', #metrics=['accuracy'] #第2種寫法：使用物件類別（例如Adam()) optimizer=tf.keras.optimizers.Adam(), loss=tf.keras.losses.SparseCategoricalCrossentropy(), #若是用以下這行會出現錯誤 #metrics=tf.keras.metrics.Accuracy() #要修改成其它物件類別，才能run #metrics=tf.keras.metrics.SparseCategoricalAccuracy() #或是改成這個（但是這些不同參數的設定，都會改變結果的預測，尤其是i=12，sneaker或sandal） metrics=tf.keras.metrics.SparseCategoricalCrossentropy() ) #10.步驟10：訓練模型： #方法：用model.fit()函數進行訓練， model.fit(train_images, train_labels, epochs=10) #11.步驟11：『評估(Evaluation)』該模型的成效 #方法：該模型經過訓練完後，用model.evaluate()函數，針對test_images新的測試數據，來計算其成效分數，以評估模型好壞 #訓練的結果，會傳回test_loss（測試數據的誤差值）, test_acc（測試數據的準確率） test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print('\n評估test數據的預測正確度(Test accuracy):', test_acc) #12.步驟12：『預測(Prediction)』新數據x（鞋子圖test_image）所對應的y值（鞋子樣式編號=classifications） #方法：經過反覆訓練，有了可信模型後，用model.predict()函數，針對test_images新的測試數據，來預測對應的y值（鞋子樣式編號=classifications） #注意：鞋子樣式編號=classifications，是一個陣列 pred_classifications = model.predict(test_images) #13.步驟13：給一個測試x數據(test_images[0])，預測其所屬的鞋子樣式編號（pred_classifications[0]） #類神經網路AI對於(第一個)測試樣品的預測（10個樣品中的哪一個？）（向量陣列編號0～9，若是編號9代表短靴） print('類神經網路AI對於(第一個)測試樣品的預測（10個樣品中的哪一個？）=', pred_classifications[0]) #使用np.argmax()函數：傳回最大值索引號 print("預測：第1個測試數據test_images[0]的所預測的產品樣式編號=", np.argmax(pred_classifications[0])) #驗證：印出test_labels[0]是哪種樣式產品編號 print("驗證：第1個test_labels[0]的產品樣式編號=", test_labels[0]) #14.步驟14：第0個物品，畫圖（原始圖 vs 預測結果） plt.figure(figsize=(6,3)) #x寬度6，y高度3 #畫第1個子圖（test圖片） plt.subplot(1,2,1) plt.imshow(test_images[0]) plt.xlabel(class_names[np.argmax(pred_classifications[0])]) #畫第2個子圖（預測的數字圖） plt.subplot(1,2,2) plt.xticks(range(10)) plt.yticks([]) #matplotlib.pyplot.bar(left, height, alpha=1, width=0.8, color=, edgecolor=, label=, lw=3) #matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs) #x = np.array(["A", "B", "C", "D"]) #y = np.array([3, 8, 1, 10]) #plt.bar(x,y) plt.bar(range(10), pred_classifications[0], color="#777777") #ylim：設定y軸刻度最小值及最大值（語法：ylim(ymin,ymax)） plt.ylim([0,1]) #15.步驟15：第12個物品，畫圖（原始圖 vs 預測結果） i=1 plt.figure(figsize=(6,3)) #x寬度6，y高度3 #畫第1個子圖（test圖片） plt.subplot(1,2,1) plt.imshow(test_images[i]) plt.xlabel(class_names[np.argmax(pred_classifications[i])]) print(np.argmax(pred_classifications[i])) #畫第2個子圖（預測的數字圖） plt.subplot(1,2,2) plt.xticks(range(10)) plt.yticks([]) plt.bar(range(10), pred_classifications[i], color="#777777") plt.ylim([0,1]) #印出第2～15個物品 for i in range(2,15): plt.figure(figsize=(6,3)) #x寬度6，y高度3 #畫第1個子圖（test圖片） plt.subplot(1,2,1) plt.imshow(test_images[i]) plt.xlabel(class_names[np.argmax(pred_classifications[i])]) #畫第2個子圖（預測的數字圖） plt.subplot(1,2,2) plt.xticks(range(10)) plt.yticks([]) plt.bar(range(10), pred_classifications[i], color="#777777") plt.ylim([0,1])