【AI达人特训营】服装分类：Fashion-MNIST数据集

---

该项目基于飞桨构建模型对Fashion-MNIST数据集分类。数据集含60000张训练图、10000张测试图，为28x28灰度图，分10类。项目先解压数据、查看概览，再划分训练集与验证集（8:2），计算均值和方差，定义数据读取器。构建简单卷积神经网络，经两次训练（固定和变动学习率），评估得精度0.91225，最后保存模型并实现预测功能。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

【AI达人特训营】服装分类：Fashion-MNIST数据集

一、简要介绍

• 图像分类（image classification）是计算机视觉领域中最简单最基础的任务，学习研究图像分类是每个计算机视觉研究者的必经之路，图像分类网络也是很多更复杂任务（如目标检测、语义分割等）算法的基础。
• 项目目标：构建一种机器学习算法模型，对Fashion-MNIST数据集正确分类
• 环境要求：飞桨 PaddlePaddle 2.2 及以上版本
• Fashion-MNIST由60000张训练集图像、10000张测试集图像及对应的标签构成，每张图像是分辨率为28x28的灰度图像，包含10种分类：T恤、裤子、套头衫、连衣裙、大衣、凉鞋、衬衫、运动鞋、包、短靴。
• 数据特点：图片太小，但数量充足，标签分布均匀
• 项目概述：

• 主要思路：数据图片是灰度图形式，数量充足，但是28 * 28 的尺寸是比较小的，因此考虑对原始数据进行放大处理，以使特征充分暴露。也可考虑其他数据增强方式，比如制作jia的RGB三通道图像等。
• 操作过程：分析数据--》划分数据集--》构建数据读取器--》构建网络模型--》训练模型--》评估模型--》保存模型--》调用模型进行预测
• 模型问题：本项目手动构建了一个简单模型，结构比较简单、原始，但好处是规模较小，容易训练，效果也还可以吧。另外这个小模型还有个好处，就是你可以很方便的对结构进行变更，来比较不同的模型配置的实际效果。针对本项目，层数越多未必越好，卷积核太大效果也不太理想。
• 训练问题：本项目进行了两次训练，第一次使用固定学习率，第二次使用了变动学习率，以进一步提升精度。训练中要特别注意曲线变化，因为模型很小，很容易过拟合。
• 一个瑕疵：使用 interpolation=cv2.INTER_CUBIC 方式放大图片的效果比默认方式好，但有个副作用：每次放大生成的图片可能略有不同，导致均值和方差的计算结果不是定值，喂给模型的图片也会存在细微差别，虽然人眼看不出来。但从实际的训练效果来看，似乎影响不大。
• 一个坑：图片分类模型的输出层通常接一个softmax，虽然这并不会对精度提升有帮助，但是会使输出的结果比较规矩。但是需要注意：使用 paddle.nn.CrossEntropyLoss 做损失函数时，如果模型中已经有了sofmax输出层，则应该设置 use_softmax = False，否则会导致训练失败，loss值不下降。

二、环境设置

• 这个示例使用 paddle version:2.3.0
• 使用pandas处理csv文件
• 使用cv2对图片进行放大

In [ ]

# import 导入模块import paddlefrom paddle.io import Dataset#from paddle.vision.transforms import functional as F#from paddle.vision.transforms import RandomRotation#from paddle.vision import transforms#import matplotlibimport matplotlib.pyplot as plt#import PIL.Image as Imageimport numpy as npimport pandas as pdimport cv2import osimport shutilimport zipfile#import platform#import globimport random#import datetime#---打印paddle 版本print(f"paddle version:{paddle.__version__}")

   

三、数据概览

• 数据集链接：https://aistudio.baidu.com/aistudio/datasetdetail/145250
• 数据以csv文件方式提供
• 解压并查看数据

In [2]

# func 解压zip文件def unzip_files(file_path,unzip_path):
    zipFile = zipfile.ZipFile(file_path)    try:        for file in zipFile.namelist():
            zipFile.extract(file, unzip_path)    except:        pass
    finally:
        zipFile.close()# 定义这个解压函数不是必须的，仅仅是为了跨系统时代码可以通用。也可以手动解压，Linux 可以使用unzip等工具

    In [3]

# run 解压训练数据# 28*28灰度图，10种分类：T恤、裤子、套头衫、连衣裙、大衣、凉鞋、衬衫、运动鞋、包、短靴fd_data = "./data/"    # data文件夹#zip_file_path = "./data/fashion-mnist_train.zip"    # 训练数据zip_file_path = "./data/data145250/fashion-mnist_train.zip"    # 训练数据 aistudio数据挂载路径unzip_files(os.path.normpath(zip_file_path),os.path.normpath(fd_data))    # 解压训练数据# 压缩包里面有两个文件，“fashion-mnist_train.csv”是训练数据，“fashion-mnist_test_data.csv”是测试数据

    In [ ]

# run 查看原始数据train_csv_path = "./data/fashion-mnist_train.csv"train_csv = pd.read_csv(os.path.normpath(train_csv_path))print(train_csv)# fashion-mnist_train.csv 这个文件中，第一列是标签，后面是灰度图每一个像素点对应的灰度值,运行这段代码可以看到基本文件结构

    In [5]

# run 对标签数量进行统计train_csv["label"].value_counts()# 这个统计是为了查看数据的分布情况。这个数据集的分布非常均匀，每一个标签的图片数量都是6000

       

9    6000
8    6000
7    6000
6    6000
5    6000
4    6000
3    6000
2    6000
1    6000
0    6000
Name: label, dtype: int64

                In [6]

# func 传入索引，提取图片img_e_h, img_e_w = 96, 96    # 放大尺寸def get_pic(row_idx, data_csv, enlarge=False):
    img_data = list(data_csv.loc[row_idx])    # 获取一行数据
    img_label = img_data[0]    # 获取标签
    img = img_data[1:]    # 获取数据
    img = np.array(img,dtype="uint8")    # 转换为np数组
    img.resize(img_h,img_w)    # 还原成28*28
    if(enlarge):    # 放大图片
        img = cv2.resize(img, (img_e_h, img_e_w), interpolation=cv2.INTER_CUBIC)    # interpolation=cv2.INTER_CUBIC效果好但速度慢，而且每次放大的结果都稍有不同
        #img = cv2.resize(img, (img_e_h, img_e_w))    # 使用默认放大方式，执行此行
    return (img_label, img)# 这个函数用于从csv文件中提取还原出图片# 函数中有一个放大操作，这里是放大到96*96，这个时候人眼已经可以比较轻松的识别了# 原始图片非常小，不好操作，所以考虑进行放大处理# 没有放大到整数倍，是因为担心放大到整数倍对于计算机来说没有多大意义# 也可以放到很大，但是模型参数会比较多，96*96相对比较适中# fashion-mnist_train.csv 文件中的第一列是标签，fashion-mnist_test_data.csv 文件中的第一列是索引，所以训练和测试可以共用这个函数

    In [7]

# run 随机查看一张图片img_h, img_w = 28, 28   # 图片高度和宽度label_list = ["T恤","裤子","套头衫","连衣裙","大衣","凉鞋","衬衫","运动鞋","包","短靴"]    # 标签列表row_count = train_csv.shape[0]    # 获取行数 60000row_idx = random.randint(0 ,row_count - 1)    # 随机生成一个行索引label1, img1 = get_pic(row_idx, train_csv)print(f"Label for a random pic:{label_list[label1]}")
plt.imshow(img1,cmap="gray")    # 显示灰度图# 尝试还原一张图片，看看原始图片的样子# 这段代码同时初始化了标签列表

       

Label for a random pic:连衣裙

       

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2349: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  if isinstance(obj, collections.Iterator):
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2366: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  return list(data) if isinstance(data, collections.MappingView) else data

       

<matplotlib.image.AxesImage at 0x7f8aa2967150>

               

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/image.py:425: DeprecationWarning: np.asscalar(a) is deprecated since NumPy v1.16, use a.item() instead
  a_min = np.asscalar(a_min.astype(scaled_dtype))
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/image.py:426: DeprecationWarning: np.asscalar(a) is deprecated since NumPy v1.16, use a.item() instead
  a_max = np.asscalar(a_max.astype(scaled_dtype))

       

<Figure size 432x288 with 1 Axes>

                In [8]

# run 尝试将图片放大label1, img1 = get_pic(row_idx, train_csv, enlarge=True)print(f"Label for a random pic:{label_list[label1]}")
plt.figure(figsize=(8,8),dpi=50)    #修改显示的图像大小#plt.axis('off')plt.imshow(img1,cmap="gray")print(np.array(img1).shape)# 尝试将图片放大，看看放大后的效果

       

Label for a random pic:连衣裙
(96, 96)

       

<Figure size 400x400 with 1 Axes>

               

四、数据集准备

• 分割训练集和验证集

• 训练集和验证集比例：8:2

• 计算均值和方差

• 定义了两个计算均值和标准差的函数，实际使用的是第二个
• 放大图片使用了interpolation=cv2.INTER_CUBIC，这个放大方法得到的图片并不总是一定的，这导致对均值和标准差的计算结果存在不确定性

• 定义数据读取器

• interpolation=cv2.INTER_CUBIC放大方法的问题，使得：即使是同一张图片，每次喂给模型的数据会存在非常细微的不同

• 准备训练集和验证集

In [9]

# run 划分 训练集和验证集idx_split = int(row_count*0.8)    # 前80%设置为训练集print(idx_split)    # 48000# 原始数据集已经是乱序排列，所以没有在进行乱序处理，直接计算出一个分割值

       

48000

        In [10]

# func 计算原始图片的均值和标准差def calc_means_stdevs():
    means, stdevs = 0, 0   # 均值和标准差
    pix_count = img_h*img_w*row_count    # 像素总数
    sum = train_csv.iloc[:,1:].sum(axis=1)    # 对所有行的第1列到最末列求和
    sum = np.array(sum)    # 转成np数组
    sum = sum.sum()    # 求和
    means = sum / pix_count    # 均值
    print(f"means:{means}")

    data_all = train_csv.iloc[:,1:]    # 获取所有数据
    data_all = np.array(data_all)    # 转成np数组
    data_all = data_all - means    # 减去均值
    data_all = data_all**2    # 平方
    stdevs = np.sqrt(data_all.sum() / pix_count)   # 得到标准差
    print(f"stdevs:{stdevs}")    return (means, stdevs)# 这个函数不是必须的，因为我这里是使用放大后的图片，仅列示出来以供参考

    In [11]

# func 计算放大后图片的均值和标准差def calc_means_stdevs_enlarge():
    means, stdevs = 0, 0   # 均值和标准差
    pix_count = img_e_h*img_e_w*row_count    # 像素总数
    sum = 0    # 求和
    for idx in range(0, row_count):
        label1, img1 = get_pic(row_idx, train_csv, enlarge=True)    # 获取放大后的图片
        img1 = np.array(img1)    # 转成np数组
        sum += img1.sum()    # 计算和

    means = sum / pix_count    # 均值
    print(f"means:{means}")

    sum1 = 0    # 减均值，然后求平方和
    for idx in range(0, row_count):
        label1, img1 = get_pic(row_idx, train_csv, enlarge=True)    # 获取放大后的图片
        img1 = np.array(img1)    # 转成np数组
        img1 = img1 - means    # 减均值
        img1 = img1 ** 2    # 平方
        sum1 += img1.sum()    # 计算和

    stdevs = np.sqrt(sum1 / pix_count)   # 得到标准差
    print(f"stdevs:{stdevs}")    return (means, stdevs)# 这个函数用来计算放大后的图片的均值和标准差，因为我们要把放大后的图片喂给模型# 由于放大方式使用了interpolation=cv2.INTER_CUBIC，这个方法的放大结果存在一定不确定性，导致均值和标准差的计算结果也存在一定不确定性# 使用 interpolation=cv2.INTER_CUBIC是我这个示例的瑕疵之一，但从实际效果来看，似乎影响甚微

    In [23]

# run 计算均值和标准差#means, stdevs = 0, 1    # 不使用减均值除标准差的处理，执行此行#means, stdevs = calc_means_stdevs()    # 要使用原始数据的均值和方差，执行此行means, stdevs = calc_means_stdevs_enlarge()    # 要使用放大后图片的均值和方差，执行此行

       

means:61.16547309027778
stdevs:54.048929187014885

        In [24]

# class 定义数据读取器class DataReader(Dataset):
    def __init__(self,
                means,    #均值
                stdevs,    #标准差
                data_csv,    # 数据
                mode='train_set'):    # train_set val_set
        """
        初始化函数
        """
        self.mode = mode
        self.data = []
        self.data_csv = data_csv
        self.means = means
        self.stdevs = stdevs

        idx_begin = 0
        idx_end = idx_split    # 分割点
        
        if mode == 'train_set':            pass
        elif mode == "val_set":
            idx_begin = idx_split
            idx_end = row_count    # 总条数
        
        for idx in range(idx_begin, idx_end):
            d_row = list(train_csv.loc[idx])    # 取出一行
            d_label = d_row[0]    # 分离出标签
            #d_date = d_row[1:]    # 分离出数据
            self.data.append([idx, d_label])        print(f"size of {mode}:{len(self.data)}")                      
    def __getitem__(self, index):
        """
        读取图片，对图片进行归一化处理，返回图片和 标签
        """
        row_idx, label = self.data[index]  # 获取数据
        label, img = get_pic(row_idx, train_csv, enlarge=True)    # 获取图片，并放大
        
        img = np.array(img, dtype="float32")    # 转换为np数组，float32格式
        
        img = img - self.means    # 减均值
        img = img / self.stdevs    # 除方差
        img = img / 255    # 归一化
        img = np.expand_dims(img, axis=0)    #扩展一个维度

        return img, np.array(label, dtype='int64')    def __len__(self):
        """
        获取样本总数
        """
        return len(self.data)# 喂给模型的是处理好的数据，处理方法要在这里定义好

    In [ ]

# run 准备数据集读取器train_dataset = DataReader(means, stdevs, train_csv, 'train_set')    # 训练集数据加载器val_dataset = DataReader(means, stdevs, train_csv, 'val_set')    # 评估集数据加载器idx_max = train_dataset.__len__()
idx = random.randint(0 ,idx_max - 1)    # 随机生成一个索引data, label = train_dataset[idx]    # 随机取出一个数据print(f"data label:{label}")print(f"data shape:{np.array(data).shape}")print(f"data content:\n{data}")

   

五、模型组网

• 定义网络模型

• 自定义了一个简单模型

• 准备模型网络

模型结构图

       

In [26]

# class 构造模型class FashionNet(paddle.nn.Layer):    # 自定义的类
    def __init__(self, num_classes=10, model_name="model_mk0"):    # 输出的分类数，模型名称
        super(FashionNet, self).__init__()
        self.model_name = model_name

        self.conv1 = paddle.nn.Conv2D(in_channels=1, out_channels=96, kernel_size=(5, 5), stride=1, padding = 1)        #self.pool1 = paddle.nn.MaxPool2D(kernel_size=2, stride=2)
        self.relu1=paddle.nn.ReLU()
        
        self.conv2 = paddle.nn.Conv2D(in_channels=96, out_channels=96, kernel_size=(3,3),  stride=2, padding = 0)        #self.pool2 = paddle.nn.MaxPool2D(kernel_size=2, stride=2)
        self.relu2=paddle.nn.ReLU()
        
        self.conv3 = paddle.nn.Conv2D(in_channels=96, out_channels=96, kernel_size=(3,3), stride=2, padding = 0)
        self.relu3=paddle.nn.ReLU()
        
        self.conv4 = paddle.nn.Conv2D(in_channels=96, out_channels=96, kernel_size=(3,3), stride=2, padding = 1)        #self.pool4 = paddle.nn.MaxPool2D(kernel_size=2, stride=2)
        self.relu4=paddle.nn.ReLU()        #self.conv5 = paddle.nn.Conv2D(in_channels=96, out_channels=96, kernel_size=(5,5), stride=1, padding = 1)
        #self.pool5 = paddle.nn.MaxPool2D(kernel_size=2, stride=2)
        #self.relu5=paddle.nn.ReLU()

        self.flatten = paddle.nn.Flatten()        
        #self.linear1 = paddle.nn.Linear(in_features=14336, out_features=224)
        self.linear1 = paddle.nn.Linear(in_features=11616, out_features=96)
        self.relu6=paddle.nn.ReLU()
        self.linear2 = paddle.nn.Linear(in_features=96, out_features=num_classes)

        self.sm1 = paddle.nn.Softmax()        
    def forward(self, x):
        x = self.conv1(x)        #x = self.pool1(x)
        x = self.relu1(x)
        
        x = self.conv2(x)
        x = self.relu2(x)
        
        x = self.conv3(x)
        x = self.relu3(x)
        
        x = self.conv4(x)        #x = self.pool4(x)
        x = self.relu4(x)        #x = self.conv5(x)
        #x = self.relu5(x)

        x = self.flatten(x)
        
        x = self.linear1(x)
        x = self.relu6(x)
        x = self.linear2(x)

        x = self.sm1(x)        
        return x

    In [27]

# run 准备网络model = paddle.Model(FashionNet(num_classes=10,model_name="fashion_mk1"))print(f"model name:{model.network.model_name}")
model.summary((1, 1, 96, 96))

       

model name:fashion_mk1
---------------------------------------------------------------------------
 Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================
   Conv2D-9       [[1, 1, 96, 96]]     [1, 96, 94, 94]         2,496     
    ReLU-6       [[1, 96, 94, 94]]     [1, 96, 94, 94]           0       
   Conv2D-10     [[1, 96, 94, 94]]     [1, 96, 46, 46]        83,040     
    ReLU-7       [[1, 96, 46, 46]]     [1, 96, 46, 46]           0       
   Conv2D-11     [[1, 96, 46, 46]]     [1, 96, 22, 22]        83,040     
    ReLU-8       [[1, 96, 22, 22]]     [1, 96, 22, 22]           0       
   Conv2D-12     [[1, 96, 22, 22]]     [1, 96, 11, 11]        83,040     
    ReLU-9       [[1, 96, 11, 11]]     [1, 96, 11, 11]           0       
   Flatten-3     [[1, 96, 11, 11]]        [1, 11616]             0       
   Linear-5         [[1, 11616]]           [1, 96]           1,115,232   
    ReLU-10          [[1, 96]]             [1, 96]               0       
   Linear-6          [[1, 96]]             [1, 10]              970      
   Softmax-3         [[1, 10]]             [1, 10]               0       
===========================================================================
Total params: 1,367,818
Trainable params: 1,367,818
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.04
Forward/backward pass size (MB): 17.02
Params size (MB): 5.22
Estimated Total Size (MB): 22.27
---------------------------------------------------------------------------

       

{'total_params': 1367818, 'trainable_params': 1367818}

               

六、模型训练

• 配置参数，加载数据，训练模型

• 模型中已经使用了softmax做输出层，在使用CrossEntropyLoss时不需要使用softmax做归一化，需要配置use_softmax = False
• 模型训练了两次，第一次使用固定学习率，第二次使用变动学习率

In [ ]

# run 训练模型 固定学习率fd_visualdl_log = "visualdl_log"    # visualdl log文件夹lr = 5e-5    # 学习率 0.00005optim = paddle.optimizer.Adam(learning_rate=lr, parameters=model.parameters())    # 优化器visualdl = paddle.callbacks.VisualDL(log_dir=fd_visualdl_log)   # VisualDL工具的回调函数model.prepare(optim, 
              paddle.nn.CrossEntropyLoss(use_softmax = False),     # 因为模型中已经使用了softmax做输出层，因此这里面不需要使用softmax做归一化
              paddle.metric.Accuracy())    # 验证函数model.fit(train_dataset,    # 训练数据集
            val_dataset,    # 评估数据集
            epochs=7,    # 训练的总轮次
            batch_size=5,    # 训练使用的批大小,使用变动学习率时，batch_size最好小一些，6，8
            verbose=1,    # 设置可视化
            callbacks=[visualdl])    # visualdl# 第一次训练，先使用固定学习率看看效果

   

第一阶段训练曲线

       

In [ ]

# run 训练模型 变动学习率fd_visualdl_log = "visualdl_log"    # visualdl log文件夹lr = 5e-5    # 学习率scheduler = paddle.optimizer.lr.LinearWarmup(
                    learning_rate=lr, warmup_steps=20, start_lr=5e-5, end_lr=3e-4, verbose=False)
optim = paddle.optimizer.Adam(learning_rate=scheduler, parameters=model.parameters())
visualdl = paddle.callbacks.VisualDL(log_dir=fd_visualdl_log)   # VisualDL工具的回调函数model.prepare(optim, 
              paddle.nn.CrossEntropyLoss(use_softmax = False),     # 因为模型中已经使用了softmax做输出层，因此这里面不需要使用softmax做归一化
              paddle.metric.Accuracy())    # 验证函数model.fit(train_dataset,    # 训练数据集
            val_dataset,    # 评估数据集
            epochs=7,    # 训练的总轮次
            batch_size=5,    # 训练使用的批大小,使用变动学习率时，batch_size最好小一些，6，8
            verbose=1,    # 设置可视化
            callbacks=[visualdl])    # visualdl# 第二次训练，这次加了个wormup，看看是不是能提升一下精度

   

第二阶段训练曲线

       

七、模型评估

• 评估模型训练效果

In [30]

# run 评估模型result = model.evaluate(val_dataset, verbose=1)print(result)# 由于模型结构非常简单原始，这大概是这个模型能达到的最好效果了

       

Eval begin...
step 12000/12000 [==============================] - loss: -0.0000e+00 - acc: 0.9123 - 5ms/step          
Eval samples: 12000
{'loss': [-0.0], 'acc': 0.91225}

       

八、保存模型

• 保存训练的结果

In [31]

# func 保存模型参数的函数fd_model_s*e = "./model_s*e/"    #模型保存目录os.path.normpath(fd_model_s*e)def model_s*e(model):
    if os.path.exists(os.path.normpath(fd_model_s*e)):shutil.rmtree(os.path.normpath(fd_model_s*e))    #保存模型的文件夹
    print(f"s*ing model {model.network.model_name} for training...")
    model.s*e(fd_model_s*e+model.network.model_name)  # s*e for training
    print(f"s*ing model {model.network.model_name} for inference...")
    model.s*e(fd_model_s*e+model.network.model_name, False)  # s*e for inference
    print(f"model {model.network.model_name} has been s*ed to {fd_model_s*e}")# 这个函数用来 把训练好的模型保存起来，以用于日后调用或者再次训练

    In [32]

# run 保存模型model_s*e(model)

       

s*ing model fashion_mk1 for training...
s*ing model fashion_mk1 for inference...
model fashion_mk1 has been s*ed to ./model_s*e/

       

九、模型预测

• 用训练的模型进行预测

• 随机选取一个test集中的数据进行预测

In [33]

# run 解压test数据集fd_data = "./data/"    # data文件夹#zip_file_path = "./data/fashion-mnist_test_data.zip"    # test数据zip_file_path = "./data/data145250/fashion-mnist_test_data.zip"    # test数据 aistudio数据挂载路径unzip_files(os.path.normpath(zip_file_path),os.path.normpath(fd_data))    # 解压test数据# 把test数据集解压出来，这里复用了解压函数，也可以手动解压

    In [ ]

# run 查看test原始数据test_csv_path = "./data/fashion-mnist_test_data.csv"test_csv = pd.read_csv(os.path.normpath(test_csv_path))print(test_csv)# test数据和训练数据的唯一却别是，第一列不是标签而是索引值，这样就可以复用前面定义的图片提取并放大的函数

    In [35]

# run 查看一张随机 test集图片row_count = test_csv.shape[0]    # 获取行数 60000row_idx = random.randint(0 ,row_count - 1)    # 随机生成一个行索引idx1, img1 = get_pic(row_idx, test_csv)

plt.imshow(img1,cmap="gray")    # 显示灰度图# 随机查看一张test图片，先人眼判断一下

       

<matplotlib.image.AxesImage at 0x7f8a19329510>

               

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/image.py:425: DeprecationWarning: np.asscalar(a) is deprecated since NumPy v1.16, use a.item() instead
  a_min = np.asscalar(a_min.astype(scaled_dtype))
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/image.py:426: DeprecationWarning: np.asscalar(a) is deprecated since NumPy v1.16, use a.item() instead
  a_max = np.asscalar(a_max.astype(scaled_dtype))

       

<Figure size 432x288 with 1 Axes>

                In [36]

# func 模型预测函数，传入模型类、模型名称、图片索引、数据集dataframe，加载模型并预测数据def model_predict(my_net,model_name,img_idx,data_csv):
    #paddle.set_device('gpu:1')
    #paddle.set_device('cpu')
    #定制化模型（无需label）
    input_define = paddle.static.InputSpec(shape=[1,3,112,112], dtype="float32", name="img")
    model = paddle.Model(my_net(num_classes=10,model_name=model_name),input_define)    #加载模型参数
    model_path = os.path.join(os.path.normpath(fd_model_s*e), model_name)
    model.load(model_path)
    model.prepare()

    idx, img = get_pic(row_idx, data_csv, enlarge=True)    # 获取图片，并放大
    img = np.array(img, dtype="float32")    # 转换为np数组，float32格式 
    img = img - means    # 减均值
    img = img / stdevs    # 除方差
    img = img / 255    # 归一化
    img = np.expand_dims(img, axis=0)    # 扩展一个维度
    img = np.expand_dims(img, axis=0)    # 扩展一个维度
    #img = paddle.to_tensor(img)

    result = model.predict(test_data=[img])    #print(result)
    #idx = np.argmax(result)
    #print(f"result:[{label_list[idx]}]")
    return result# 这个函数用来调用已经保存的模型，然后对传入的数据进行预测

    In [37]

# run 用模型预测选取的图片，并打印输出预测结果result = model_predict(FashionNet,"fashion_mk1",idx1,test_csv)print(result)
idx = np.argmax(result)print(f"result:[{label_list[idx]}]")# 把刚才随机选出的图片交给模型进行预测，看看预测的结果

       

Predict begin...
step 1/1 [==============================] - 4ms/step
Predict samples: 1
[(array([[5.2177566e-13, 3.2803663e-15, 1.3896773e-05, 1.4886105e-16,
        9.9998593e-01, 3.0198786e-18, 2.2157795e-07, 9.9112047e-19,
        1.9151252e-12, 2.9413131e-20]], dtype=float32),)]
result:[大衣]

       

十、总结

针对本项目：

简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

123 查看详情

• 使用 interpolation=cv2.INTER_CUBIC 方式放大图片的效果比默认方式好，但有个副作用：每次放大生成的图片可能略有不同，导致均值和方差的计算结果不是定值
• 大卷积核未必效果好
• 图片放大到 96 * 96 比放大到 112 * 112 或 224 * 224 更划算
• 学习率，5e-5比3e-4 效果好
• 使用变动的学习率，效果往往更好
• 层数多未必好用
• 使用 paddle.nn.CrossEntropyLoss 做损失函数时，如果模型中已经有了sofmax输出层，则应该设置 use_softmax = False

In [ ]

# run 清理文件if os.path.exists("visualdl_log"):shutil.rmtree("visualdl_log")    #visualdl_log文件夹if os.path.exists(os.path.normpath(fd_model_s*e)):shutil.rmtree(os.path.normpath(fd_model_s*e))    #保存模型的文件夹# 如果数据有用，可不必清理# 但是在测试过程中，应该保持一个良好的习惯

    代码解释 In [ ]

# 查看可视化曲线 ：(本地运行时)终端运行  visualdl --logdir ./visualdl_log

   

以上就是【AI达人特训营】服装分类：Fashion-MNIST数据集的详细内容，更多请关注其它相关文章！

# 大后  # 广告短片案例网站推广  # 遂宁央视建设招聘网站  # 人工seo优化的好处  # 网站建设比较靠谱  # 优化网站官网建议  # 石屏网站建设设计  # 海外营销推广项目有哪些  # 文山营销推广怎么样啊赚钱吗  # 想自己做网站推广怎么做  # seo页面代码怎么改  # 加载  # 不需要  # 有个  # 使用了  # 大到  # linux  # 中文网  # 达人  # 标准差  # 均值  # type  # fig  # latte  # udio  # igs  # red  # 排列  # csv文件  # ai  # 工具  # python 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 埃森哲俞毅：AI时代我们需要新的“摩尔定律”  VR健身应用《FitXR》将取消Quest 1端会员服务  AI和ML推动联网设备的增长  微幼科技推出全自动晨检机器人，助力幼儿园校园健康检测  好莱坞面临全面停摆 好莱坞大罢工抵制“AI入侵”  【澎湃原动力】人工智能产业协同创新中心：全产业链资源在这里汇聚  工业机器人及非标自动化设备集成服务提供商  看似低调，实则稳健：字节在AI路上会遇到什么？  AI大举入侵内容行业，哪些上市*及动漫公司进行了布局？  微软宣布为 Azure AI 添加男性声线，增强文本转语音功能  “木头姐”：特斯拉的人工智能训练——“赢家通吃”的机会  Adobe旗下Illustrator引入生成式AI工具Firefly  令人惊叹！AI模型能够以iPhone照片为基础创作诗歌  DeepMind推惊世排序算法，C++库忙更新！  “上海市民营企业人工智能赋能创新中心”揭牌成立  科技赋能司法执行 阿里资产免费为全国法院升级VR新服务  推动企业数字化转型升级！“松江智造”摘世界人工智能大会重磅奖项  腾讯自主研发机器狗 Max 升级，可“奔跑跳跃”完成避障动作  人形机器人概念大热！这些产业链标的或受提振  马斯克WAIC2025演讲全文：AI将对人类文明产生深远影响  优化系统韧性：故障恢复与监控在RabbitMQ中的应用  苹果在韩举办首届中小企业智能制造论坛，加速推动工业4.0发展  GPT-4 模型架构泄露：包含 1.8 万亿参数、采用混合专家模型  人工智能创作的“婴儿版超级英雄”，你觉得哪个最可爱  微软大牛加入ZOOM，AI人才大战打响  吉林首例！机器人辅助下搭桥手术成功实施  令人震惊的特斯拉机器人  AI生成新闻网站数量激增，正在疯狂赚取广告收入  利用AI技术更好地发展农村电商  苹果头显降临，AI虚拟人的救星还是流星？  乐天派桌面机器人加入小米米家生态系统，实现与其他智能设备的互联  机构研选 | 虚拟电厂是电力物联网升级版 智能电网望迎来高速发展  如何提高集群协作效率？中外团队合作研发基于均值偏移的机器人队形控制策略  Databricks 发布大数据分析平台 Spark 用 AI 模型 SDK：一键生成 SQL 及 FySpark 语言图表代码  类GPT模型训练提速26.5%，清华朱军等人用INT4算法加速神经网络训练  英国前首相：AI可能被用来制造“生物恐怖武器”  RoboNeo什么时候上线  小艺主导智慧交互升级，借助AI大模型增强能力  再也不怕「视频会议」尬住了！谷歌CHI顶会发布新神器Visual Captions：让图片做你的字幕助手  CharacterAI - 也许会成为会话人工智能的未来  Ai智能机器人，chat-免注册登入，直接使用新版gpt4.0！  Databricks推出人工智能模型共享机制，可令开发者与公司“双赢”  研究预测HPC支持的人工智能增长迅速  航拍无人机怎么选？大疆无人机盘点推荐  售价14.99万起！小米汽车部分信息疑遭AI曝光，内部人士回应：网传图片明显经过处理，不可轻信  如布科技发布新产品AI口袋学习机S12  梦想实现！硬核科幻大片VR智能头盔即将问世  自己动手使用AI技术实现数字内容生产  从医疗康复外骨骼到通用人形机器人，傅利叶智能推动核心技术升级  AI行业盛会大咖云集！Sam Altam、“AI教父”......一文看懂最新观点 

 2025-07-28