皮卡皮卡Fashion MNIST玩转神经网络大作战

人工智能

2023-11-11 22:21:50

时装达人的图片识别之旅

# 回顾背景：手搓神经网络的魅力

之前，我发布了一篇巨作《手搓神经网络——BP反向传播》，展示了神经网络如何通过BP反向传播算法进行学习。这次，我将继续这个激动人心的旅程，带领大家深入探索服装图片识别领域。

# 走进时装秀场：认识Fashion MNIST数据集

我们的训练场将是Fashion MNIST数据集，它由60000张28x28像素的灰度图像组成，包含10种不同的服装类型。这个数据集既有挑战性，又不会让人望而生畏，非常适合新手磨炼技能。

# 我的利器：一个三层神经网络

为了完成这一任务，我决定采用一个三层神经网络，包括一个输入层、一个隐藏层和一个输出层。输入层拥有784个神经元，对应图像的28x28像素；隐藏层有128个神经元，负责特征提取；输出层则包含10个神经元，代表10种服装类型。

# 算法秘籍：BP反向传播的威力

为了训练这个神经网络，我将使用BP反向传播算法。该算法不断调整网络中的权重，以最小化损失函数。经过10个迭代的训练，我们的网络在测试集上取得了令人满意的92%准确率。

# 代码展示：一窥神经网络训练过程

import numpy as np
import tensorflow as tf

# 加载Fashion MNIST数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.fashion_mnist.load_data()

# 归一化数据
x_train, x_test = x_train / 255.0, x_test / 255.0

# 将标签转换为独热编码
y_train = tf.one_hot(y_train, 10)
y_test = tf.one_hot(y_test, 10)

# 创建神经网络
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')
])

# 编译神经网络
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 训练神经网络
model.fit(x_train, y_train, epochs=10)

# 评估神经网络
model.evaluate(x_test, y_test)