多層DNN實(shí)現(xiàn)服裝服飾智能分揀

1.1

機(jī)學(xué)習(xí)概覽歡迎進(jìn)入《數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)》課程學(xué)習(xí)第4單元機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)DNN應(yīng)用-服裝服飾智能分揀DNN應(yīng)用-服裝服飾智能分揀簡(jiǎn)單DNN實(shí)現(xiàn)服裝服飾智能分揀02

Fashion-MNIST數(shù)據(jù)集簡(jiǎn)介01多層DNN實(shí)現(xiàn)服裝服飾智能分揀03多層DNN實(shí)現(xiàn)服裝服飾智能分類簡(jiǎn)單DNN，只有一個(gè)輸入層一個(gè)隱藏層和一個(gè)輸出層，雖然識(shí)別效率高，訓(xùn)練時(shí)間短，但準(zhǔn)確率比較低。在較復(fù)雜的識(shí)別環(huán)境中，通常是搭建多層神經(jīng)網(wǎng)絡(luò)識(shí)別模型進(jìn)行訓(xùn)練。

多層神經(jīng)網(wǎng)絡(luò)采用了2層以上的隱藏層，數(shù)量眾多的隱藏層極大提升了神經(jīng)網(wǎng)絡(luò)的運(yùn)算能力，當(dāng)然也增加了參數(shù)調(diào)試的難度。多層神經(jīng)網(wǎng)絡(luò)見(jiàn)下圖：圖1：訓(xùn)練效果變化圖多層DNN實(shí)現(xiàn)服裝服飾智能分類搭建多層神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)服裝服飾整分揀，實(shí)現(xiàn)思路和任務(wù)實(shí)施和上一單元的簡(jiǎn)單DNN基本一致，重難點(diǎn)在于定義一個(gè)深度神經(jīng)網(wǎng)絡(luò)。#tf.keras.models.Sequential()model=keras.models.Sequential()#輸入數(shù)據(jù)拉直model.add(keras.layers.Flatten(input_shape=[28,28]))#for循環(huán)添加20層隱藏層for_inrange(20):model.add(keras.layers.Dense(100,activation="relu"))model.add(keras.layers.Dense(10,activation="softmax"))#sparse的原因：因?yàn)閥->index.pile(loss="sparse_categorical_crossentropy",optimizer='sgd',metrics=['accuracy'])#使用model.summary()查看模型model.summary()多層DNN實(shí)現(xiàn)服裝服飾智能分類使用model.summary()查看模型。結(jié)果如圖所示，是一個(gè)20層的神經(jīng)網(wǎng)絡(luò)。圖2：20層神經(jīng)網(wǎng)絡(luò)模型多層DNN實(shí)現(xiàn)服裝服飾智能分類繪制曲線圖。defshow_learning_curves(history):pd.DataFrame(history.history).plot(figsize=(8,5))plt.grid(True)plt.gca().set_ylim(0,3)plt.show()

show_learning_curves(history)model.evaluate(x_test_scaled,y_test)圖3：訓(xùn)練效果變化過(guò)程多層DNN實(shí)現(xiàn)服裝服飾智能分類使用model.evaluate(x