目录

一、新学习

1.1 卷积神经网络的图片输入形式

1.2 关于编译

1.3 class_names[np.argmax(pre[1])]

一、新学习

1.1 卷积神经网络的图片输入形式

        卷积神经网络(CNN)的输入是张量(Tensor)形式的(image_height，image_width,
color_channels)，包含了图像高度、宽度及颜色信息。不需要输入batch size 。color_channels为(R,G,B)分别对应RGB的三个颜色通道(color channel)。在此示例中，我们的CNN输入，fashion_mnist数据集中的图片，形状是(28，28，1)即灰度图像。我们需要在声明第一层时将形状赋值给参数input_shape 。

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), #卷积层1，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层3，卷积核3*3
    
    layers.Flatten(),                      #Flatten层，连接卷积层与全连接层
    layers.Dense(64, activation='relu'),   #全连接层，特征进一步提取
    layers.Dense(10)                       #输出层，输出预期结果
])

model.summary()  # 打印网络结构

所以在卷积层1，要把图片的shape值传入

1.2 关于编译

在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的:
（1）损失函数（loss):用于测量模型在训练期间的准确率。您会希望最小化此函数，以便将模型“引导”到正确的方向上。

        损失函数有预测值和实际的平方差（二元交叉熵）、平均平方差等

（2）优化器（(optimizer)︰决定模型如何根据其看到的数据和自身的损失函数进行更新。

        帮助实时更新参数

（3）指标(metrics):用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。

1.3 class_names[np.argmax(pre[1])]

如下所示

import numpy as np
a = np.array([3, 1, 2, 4, 6, 1])
b=np.argmax(a)#取出a中元素最大值所对应的索引，此时最大值位6，其对应的位置索引值为4，（索引值默认从0开始）
print(b)#4

参考：np.argmax()_wanghua609的博客-CSDN博客_np.argmax

所以 np.argmax(pre[1]) 即是取出测试集中第一个图像 对于10中服装的最大置信度 的索引值 i

再由 class_names[ i ]：取出名称