### 使用 Keras 卷积神经网络对 Fashion MNIST 数据集进行分类 卷积神经网络（Convolutional Neural Networks, CNN）是一种专门用于处理图像数据的深度学习模型。Fashion MNIST 是一个包含 60,000 张训练图像和 10,000 张测试图像的数据集，每张图像为 28x28 的灰度图像，代表 10 类服装类型[^1]。以下是使用 Keras 构建并训练卷积神经网络对 Fashion MNIST 数据集进行分类的具体方法： ```python import tensorflow as tf from tensorflow.keras import layers, models import matplotlib.pyplot as plt # 加载 Fashion MNIST 数据集 fashion_mnist = tf.keras.datasets.fashion_mnist (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data() # 数据预处理 train_images = train_images / 255.0 # 归一化到 [0, 1] test_images = test_images / 255.0 # 将图像扩展为适合 CNN 输入的形状 (28, 28, 1) train_images = train_images[..., tf.newaxis] test_images = test_images[..., tf.newaxis] # 构建卷积神经网络模型 model = models.Sequential([ layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), # 第一层卷积层 layers.MaxPooling2D((2, 2)), # 最大池化层 layers.Conv2D(64, (3, 3), activation='relu'), # 第二层卷积层 layers.MaxPooling2D((2, 2)), # 最大池化层 layers.Conv2D(64, (3, 3), activation='relu'), # 第三层卷积层 layers.Flatten(), # 展平层 layers.Dense(64, activation='relu'), # 全连接层 layers.Dense(10) # 输出层，10 个类别 ]) # 编译模型 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) # 训练模型 history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels)) # 可视化训练过程 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() # 测试模型性能 test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f"Test accuracy: {test_acc}") ``` 上述代码实现了以下功能： - **数据加载与预处理**：加载 Fashion MNIST 数据集，并将其归一化到 [0, 1] 范围，同时将图像扩展为适合 CNN 输入的形状 (28, 28, 1)[^2]。 - **模型构建**：构建了一个包含三组卷积层和最大池化层的 CNN 模型，最后通过全连接层输出 10 个类别的预测结果。 - **模型训练**：使用 Adam 优化器和稀疏分类交叉熵损失函数训练模型，并记录训练和验证的准确率。 - **模型评估**：绘制训练过程中准确率的变化曲线，并在测试集上评估模型性能。 #### 注意事项 - 卷积层的作用是提取图像的空间特征，而最大池化层则用于降低特征维度，减少计算量。 - 在实际应用中，可以根据需要调整卷积层的数量、滤波器大小以及全连接层的神经元数量。 - 如果数据集较大或模型较复杂，可以考虑使用 GPU 加速训练过程。