TensorFlow教程汇总—Keras机器学习基础① 对服装图像进行分类

一、引言：为什么选择服装图像分类？

服装图像分类是计算机视觉领域的经典任务，其应用场景涵盖电商推荐、智能试衣、库存管理等。相较于传统图像分类任务（如手写数字识别），服装图像具有更复杂的纹理、形状和姿态变化，对模型的特征提取能力提出更高要求。本文以TensorFlow 2.x中的Keras API为核心，通过完整的代码示例，从数据加载到模型部署，系统讲解服装图像分类的实现流程。

二、环境准备与数据集介绍

1. 环境配置

建议使用Python 3.7+环境，安装TensorFlow 2.x版本（如pip install tensorflow）。Keras作为TensorFlow的高级API，无需单独安装。

2. 数据集选择：Fashion MNIST

Fashion MNIST是MNIST的升级版，包含10类服装图像（T-shirt/top、Trouser、Pullover等），每类7000张灰度图（28×28像素）。其优势在于：

• 数据量适中（6万训练集，1万测试集）
• 类别多样性覆盖基础服装类型
• 无需复杂预处理

import tensorflow as tf
from tensorflow.keras.datasets import fashion_mnist
# 加载数据集
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

三、数据预处理与可视化

1. 像素值归一化

原始图像像素值为0-255，需归一化至0-1范围以加速模型收敛：

train_images = train_images / 255.0
test_images = test_images / 255.0

2. 标签编码

将类别标签转换为独热编码（One-Hot Encoding）：

from tensorflow.keras.utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

3. 数据可视化

使用Matplotlib查看部分样本：

import matplotlib.pyplot as plt
class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
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].argmax()])
plt.show()

四、模型构建：Keras Sequential API

1. 基础CNN模型

服装图像分类推荐使用卷积神经网络（CNN），其结构如下：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
model = Sequential([
    # 输入层：28×28灰度图，需扩展为4D张量（样本数,高,宽,通道数）
    tf.keras.layers.Reshape((28,28,1), input_shape=(28,28)),
    # 第一卷积层：32个3×3卷积核，ReLU激活
    Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    MaxPooling2D((2,2)),
    # 第二卷积层：64个3×3卷积核
    Conv2D(64, (3,3), activation='relu'),
    MaxPooling2D((2,2)),
    # 展平层
    Flatten(),
    # 全连接层：128个神经元
    Dense(128, activation='relu'),
    # 输出层：10个类别，Softmax激活
    Dense(10, activation='softmax')
])

2. 模型编译

配置损失函数、优化器和评估指标：

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

五、模型训练与优化

1. 基础训练

history = model.fit(train_images, train_labels, 
                    epochs=10, 
                    batch_size=64,
                    validation_data=(test_images, test_labels))

2. 训练过程可视化

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0, 1])
plt.legend(loc='lower right')
plt.show()

3. 优化策略

• 数据增强：通过旋转、缩放等操作扩充数据集
  ```python
  from tensorflow.keras.preprocessing.image import ImageDataGenerator

datagen = ImageDataGenerator(
rotation_range=10,
zoom_range=0.1,
width_shift_range=0.1,
height_shift_range=0.1)

生成增强数据并训练

datagen.fit(train_images)
model.fit(datagen.flow(train_images, train_labels, batch_size=64),
epochs=20)

- **模型调参**：调整卷积核数量、全连接层神经元数
- **正则化**：添加Dropout层防止过拟合
```python
from tensorflow.keras.layers import Dropout
model.add(Dropout(0.5))  # 在全连接层后添加50%丢弃率

六、模型评估与部署

1. 测试集评估

test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

2. 单张图像预测

import numpy as np
def predict_image(img):
    img_array = tf.expand_dims(img, 0)  # 扩展为batch维度
    predictions = model.predict(img_array)
    predicted_class = np.argmax(predictions[0])
    return class_names[predicted_class]
# 示例预测
sample_img = test_images[0]
print(predict_image(sample_img))  # 输出预测类别

3. 模型保存与加载

# 保存模型
model.save('fashion_mnist_model.h5')
# 加载模型
loaded_model = tf.keras.models.load_model('fashion_mnist_model.h5')

七、进阶方向

1. 迁移学习：使用预训练模型（如MobileNetV2）进行特征提取

   base_model = tf.keras.applications.MobileNetV2(input_shape=(224,224,3),
                                              include_top=False,
                                              weights='imagenet')
   base_model.trainable = False  # 冻结预训练层

2. 多标签分类：修改输出层为Sigmoid激活，适用于同时标注多个类别的场景
3. 实时分类：结合OpenCV实现摄像头实时服装识别

八、常见问题与解决方案

1. 过拟合问题：
   • 增加训练数据量
   • 添加L2正则化或Dropout层
   • 早停法（Early Stopping）
     ```python
     from tensorflow.keras.callbacks import EarlyStopping

early_stop = EarlyStopping(monitor=’val_loss’, patience=3)
model.fit(…, callbacks=[early_stop])
```

1. 训练速度慢：

   • 使用GPU加速（tf.config.list_physical_devices('GPU')）
   • 减小batch_size（但需平衡内存占用）

2. 模型性能瓶颈：

   • 尝试更深的网络结构（如ResNet）
   • 调整学习率（使用tf.keras.optimizers.Adam(learning_rate=0.0001)）

九、总结与学习资源

本文通过Fashion MNIST数据集，系统演示了使用TensorFlow Keras实现服装图像分类的全流程。关键步骤包括数据预处理、CNN模型构建、训练优化和部署。对于进阶学习者，推荐以下资源：

• TensorFlow官方文档：tensorflow.org/tutorials
• Keras中文文档：keras.io/zh/
• 经典论文：《Deep Learning for Generic Object Detection: A Survey》

通过实践本文代码，读者可快速掌握Keras机器学习基础，并为后续复杂视觉任务打下坚实基础。