标签：plt 训练 train labels predictions images FashionMnist test TensorFlow
按照tensorflow官网写的代码，在导入数据集部分，由于数据集无法自动导入，使用了自定义的导入模块
# -*- coding: utf-8 -*-
"""
Created on Wed Sep 11 12:26:02 2019
@author: Lenovo
"""
#将新版本特性引入当前版本中
from __future__ import absolute_import, division, print_function, unicode_literals
# 导入TensorFlow和tf.keras
import tensorflow as tf
from tensorflow import keras
# 导入辅助库
import numpy as np
import matplotlib.pyplot as plt
#导入自定义的载入数据模块（官网给出的直接下载数据集操作不可用，所以手动下载数据集并读取数据）
import Load_Data
#print(tf.__version__)
#显示tensorflow版本信息
#载入训练数据及其标签，测试数据及其标签
#具体载入方法见load_data函数内部
(train_images, train_labels), (test_images, test_labels) = Load_Data.load_data()
#由于标签中的类别名称是0-9，这里将类别名写出来
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
#查看数据信息
print(train_images.shape)
print(len(train_labels))
print(train_labels)
print(test_images.shape)
print(len(test_labels))
'''
#检查训练图像
#创建一个图形，显示第一个训练图像
plt.figure()
plt.imshow(train_images[0])
#在图像旁边添加颜色条，不生成网格，显示图片
plt.colorbar()
plt.grid(False)
plt.show()
'''
#将图像的像素值缩放到0-1之间
train_images = train_images / 255.0
test_images = test_images / 255.0
'''
#创建10*10英尺画布，分成25个axes区域并逐个操作
plt.figure(figsize=(10,10))
#X，Y轴不设置刻度以及文组
#不显示网格
#显示第i张图，cm.binary代表用二值颜色图显示图片，即黑白图
#X轴标签为类别名字
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()
'''
#三层网络
#第一层将输入的28*28尺寸的图片展开成一维
#第二三层为全连接层（稠密层）
#第一个参数为神经元数量，第二个参数为激活函数类型
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
#编译模型并在该过程优化模型（优化器，损失函数，评价方式）
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
#训练模型（训练数据，训练数据标签，epochs即全部数据被训练多少次）
model.fit(train_images, train_labels, epochs=5)
#返回测试集的损失以及精确度
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)
#使用模型预测测试图片，返回值为每张图片的所有预测值列表
predictions = model.predict(test_images)
#查看对第一张图属于哪类的预测
print(predictions[0])
#返回最大的的索引值
print(np.argmax(predictions[0]))
#返回第一张图的标签
print(test_labels[0])
#自定义函数，输入图片序号，需要预测的图片列表，真实标签列表，图片列表
#输出为在画布上显示这些变量
def plot_image(i, predictions_array, true_label, img):
#
predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
#不显示网格，XY轴没有刻度和文字
plt.grid(False)
plt.xticks([])
plt.yticks([])
#显示图片二值图
plt.imshow(img, cmap=plt.cm.binary)
#取预测的标签值
predicted_label = np.argmax(predictions_array)
#预测正确为蓝色，错误为红色
if predicted_label == true_label:
color = 'blue'
else:
color = 'red'
#X轴标签信息（类别名称，最大概率%，真实类别），颜色根据color确定
plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
100*np.max(predictions_array),
class_names[true_label]),
color=color)
#显示预测值序列的函数
#输入（图片序号，预测值列表，真实标签列表）
def plot_value_array(i, predictions_array, true_label):
predictions_array, true_label = predictions_array[i], true_label[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
#根据十个分类的预测值，绘制条形图（条形图x坐标，高度，颜色color）
thisplot = plt.bar(range(10), predictions_array, color="#777777")
#Y轴范围0~1
plt.ylim([0, 1])
#取预测标签值
predicted_label = np.argmax(predictions_array)
#对应预测值和真实值的条形图分别设置成红色和蓝色
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('blue')
#显示预测的图片和预测值（可视化 ）
i = 0
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions, test_labels)
plt.show()
i = 12
plt.figure(figsize=(6,3))
plt.subplot(1,2,1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(1,2,2)
plot_value_array(i, predictions, test_labels)
plt.show()
# 绘制前X个测试图像，预测标签和真实标签
# 以蓝色显示正确的预测，红色显示不正确的预测
num_rows = 5
num_cols = 3
num_images = num_rows*num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
plt.subplot(num_rows, 2*num_cols, 2*i+1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(num_rows, 2*num_cols, 2*i+2)
plot_value_array(i, predictions, test_labels)
plt.show()
# 从测试数据集中获取图像
img = test_images[0]
print(img.shape)
# 将图像添加到批次中，即使它是唯一的成员。
img = (np.expand_dims(img,0))
print(img.shape)
predictions_single = model.predict(img)
print(predictions_single)
plot_value_array(0, predictions_single, test_labels)
plt.xticks(range(10), class_names, rotation=45)
plt.show()
prediction_result = np.argmax(predictions_single[0])
print(prediction_result)
自定义导入数据集模块
# -*- coding: utf-8 -*-
"""
Created on Wed Sep 11 11:09:43 2019
@author: Lenovo
"""
from tensorflow.python.keras.utils import get_file #用于从给定URL中下载文件的模块工具
import gzip #用于解压的模块
import numpy as np #用于数据处理的模块
def load_data():
#创建列表，将下载的数据路径填入
paths = [];
paths.append(r"E:\fishionMINST\train-labels-idx1-ubyte.gz")
paths.append(r"E:\fishionMINST\train-images-idx3-ubyte.gz")
paths.append(r"E:\fishionMINST\t10k-labels-idx1-ubyte.gz")
paths.append(r"E:\fishionMINST\t10k-images-idx3-ubyte.gz")
#with as语句用于打开并读取文件操作
#frombuffer将data以流的形式读入转化成ndarray对象
#第一参数为stream,第二参数为返回值的数据类型，第三参数指定从stream的第几位开始读入
# gzip.open以rb（读文件）方式打开文件
#reshape改变的数组的结构
#读取训练数据标签到y_train
with gzip.open(paths[0], 'rb') as lbpath:
y_train = np.frombuffer(lbpath.read(), np.uint8, offset=8)
#读取训练数据（根据标签的个数以及图像尺寸将读取到的数组reshape成len*28*28，即len张28*28的图片数据
with gzip.open(paths[1], 'rb') as imgpath:
x_train = np.frombuffer(
imgpath.read(), np.uint8, offset=16).reshape(len(y_train), 28, 28)
with gzip.open(paths[2], 'rb') as lbpath:
y_test = np.frombuffer(lbpath.read(), np.uint8, offset=8)
with gzip.open(paths[3], 'rb') as imgpath:
x_test = np.frombuffer(
imgpath.read(), np.uint8, offset=16).reshape(len(y_test), 28, 28)
#返回图片和标签数据
return (x_train, y_train), (x_test, y_test)
标签：plt,训练,train,labels,predictions,images,FashionMnist,test,TensorFlow 来源： https://blog.csdn.net/chicken3wings/article/details/100858874
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。