之前的课程我们熟悉了用TensorFlow对简单数据进行线性预测，现在我们尝试利用新模型对图片完成分类预测。我们开始吧。请问下图片中你看到了几只鞋？ 2只对吗？你是怎么知道它们是鞋子的？ 想象一下，如果一个人他从未见过鞋子，我们怎样教会他识别鞋子？尽管高跟鞋和平底鞋外表很不一样，但它们都是鞋子，有共同的特征。 也许他会认为：红色的就是鞋子，因为他看到的就这两只，还都是红色的。当然并非如此简单，但你是怎么知道它们是鞋子的。因为你在生活中见到过许多鞋子。 而你也明白了鞋子的特质，所以遵循这样的逻辑，如果我们向计算机展示很多鞋子，那么它就能够学会识别鞋子。大量优秀的数据能够为计算机提供“长见识”的机会。接下来我们将训练一个能够识别图片分类的神经网络模型，过程中我们使用Fashion-MNIST数据集。

1.Fashion-MNIST 数据集

Fashion-MNIST是由德国电商平台（Zalando）发布的数据集。数据集中包含了10个类别的图像，分别是：T恤、牛仔裤、套衫、裙子、外套、凉鞋、衬衫、运动鞋、包、短靴。 他有70000张图片，分属10个类别，每个类别有7000张图片，也就是说我们可以让计算机学习7000张鞋子，我们希望它在观察7000只鞋子之后可以认出一张它没有见过的鞋子。 Fashion MNIST中的图片像素为28*28的灰度图，非常的小。图片小也有好处，需要计算的参数相应减少，计算机处理速度也更快。 这里看到的是一双鞋子，接下来我们一起来学习一段代码，看看如何基于这些资料图片让计算机学习的，从而让计算机具备辨识能力。还记得编写代码的大体环节吗，数据准备、模型构建、优化器和损失函数选择、训练模型、评估模型。让我们开始吧。

1.1代码讲解：

1.1.1数据准备

导入必要的包：

import tensorflow as tf
from tensorflow import keras

Fashion MNIST 是内置于TensoFlow的，所以很容易用这样的代码来加载。

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

训练图组包含60000张图片，像是这样的灰度图片。 剩下的10000张图片是测试图组，可以用来检测神经网络的表现，标签是用来指定图片类别的数字，本案例中，09表示短靴。为什么使用数字“09”标注标签，而非“短靴”呢？ 有两个原因，第一是：计算机更擅长处理数字。第二是：避免出现其他方面的偏见，比如语言偏见，而使用数字，则可以避免这样的问题。进行神经网络的设计时，要优先考虑输入和输出值，这里我们可以看到检测图片的神经网络比之前的要复杂一些。

1.1.2构造模型

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)
])

在第一层的网络中，我们的输入形状是28*28，这里的形状就是图片的长度和宽度。

keras.layers.Flatten(input_shape=(28, 28))

最后一层是10，是数据集中各种类别的代号，数据集总共有10类，这里就是10 。

keras.layers.Dense(10, activation=tf.nn.softmax),

所以神经网络有点像滤波器（过滤装置），输入一组28*28像素的图片后，输出10个类别的判断结果。那这个128的数字是做什么用的呢？

keras.layers.Dense(128, activation=tf.nn.relu),

我们可以这样想象，神经网络中有128个函数，每个函数都有自己的参数。 我们给这些函数进行一个编号，f0,f1…f127 ，我们想的是当鞋子的像素一一带入这128个函数后，这些函数的组合最终输出一个标签值，在这个样例中，我们希望它输出09 。为了得到这个结果，计算机必须要搞清楚这128个函数的具体参数，之后才能计算各个图片的标签。这里的逻辑是，一旦计算机搞清楚了这些参数，那它就能够认出不同的10个类别的事物了。 这里设置了神经网络的优化器和损失函数。

model.compile(optimizer=tf.train.AdamOptimizer(),
			loss='sparse_categorical_crossentropy')

神经网络会对这些参数随机地初始化一些数值，损失函数会衡量结果精准与否。然后通过优化函数，各个函数会产生新的参数，去检查是否还有进步空间。你可能对这些函数感到好奇，它们叫做激活函数。

keras.layers.Dense(128, activation=tf.nn.relu),
  
keras.layers.Dense(10, activation=tf.nn.softmax)

第一个激活函数， activation=tf.nn.relu 在128层函数的这层，叫RelU，也叫线性整流函数，它的左右就是当函数值大于零时，把数值传递下去，函数值小于零时丢弃（赋值为零）。 所以当函数值为负数时就把该数值筛选剔除。第二个激活函数Softmax函数： 它能够挑出一组数值中的最大值，这个神经网络中有10个项目，代表着一张图片属于某一个类别的概率大小。 所以如此看来，上示图片属于09号类别的概率分值最高，而09代表的是靴子，因此与其说是搜出最大值，softmax在此的作用是将该项目设为1，其它设为0。 所以我们要做的就是找出数值1。 接下来的训练非常简单，我们将训练图像与训练标签相匹配。

1.1.3训练、评估模型

model.fit(train_images, train_labels, epochs=5)

这次我们只训练5遍，还记得之前我们还有1万张图片和对应的标签没有用于训练吗？这些是模型“还没见过”的图像。所以可以用来测试模型的效能，测试方法就是将图像传递给评估方法，就像这样：

test_loss, test_acc = model.evaluate(test_images, test_labels)

1.1.4模型预测

最后我们可以用 model.predict 来预测新图像：

predictions = model.predict(my_images)

这就是电脑查看和识别图像的一套方法，赶紧去试试吧！

1.2完整代码

import tensorflow as tf
from tensorflow import keras

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

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)
])

model.compile(optimizer=tf.train.AdamOptimizer(),
              loss='sparse_categorical_crossentropy')

model.fit(train_images, train_labels, epochs=5)

predictions = model.predict(test_images)
print(predictions[0])		#打印网络预测结果
print(test_labels[0])		#打印答案（标签label）

2.拓展阅读

2.1为什么要使用激活函数？

答：为了对网络模型提供非线性。 追问：为什么网络模型需要具备非线性分类的能力？ 答：因为线性分类是用直线进行分类，而现实的问题往往是非线性的。