AI Projects｜利用神經網路輕鬆建立 Fashion MNIST 圖像辨識深度學習模型

Fashion MNIST Random samples by Zihou Ng

這個專案將引導初學者透過使用 TensorFlow 框架，對 Fashion MNIST 數據集進行圖像識別的深度學習模型的設計、開發和評估，並且可以試著將模型下載分享與視覺化模型架構。從基礎理論到實務操作，本專案旨在為初學者逐步了解深度學習的過程，並且帶領讀者從數據預處理到模型訓練和評估，進而掌握如何在實際情境中應用深度學習模型。

專案目的：幫助初學者透過對 Fashion MNIST 數據集進行圖像識別的深度學習模型的設計、開發、評估逐步了解深度學習的過程。並且學習如何將模型下載分享與及視覺化模型架構。
開發環境：可參考在 Google Colab 或 Jupyter Notebook 開發環境中練習。
使用環境：桌機或NB
參考資料：【從 AI 到生成式 AI：40 個零程式的實作體驗，培養新世代人工智慧素養】 觀念講解，Python for Beginners 、Matplotlib for Beginners、Hello Matplotlib 程式講解。

1. 學習目標

瞭解深度學習(Deep Learning)和神經網路(Neural Networks)的基本概念。
掌握使用 TensorFlow 進行進行數據處理、模型建構、訓練和評估的技巧。
學會進行數據正規化和模型參數的調整。
實作建構、訓練和評估深度學習模型。
提升問題解決和模型優化的能力。

2. 步驟說明

Step 1. 數據載入及預處理

載入數據集：使用 TensorFlow 的 Keras API 載入 Fashion MNIST 數據集，這是一個常提供給初學者使用的深度學習圖像分類數據集。是由 60,000 個圖像的訓練集(training set)和 10,000 個圖像的測試集(test set)所組成。每個圖像都是一個 28×28 灰階影像，與 10 個類別的標籤相關聯。

import tensorflow as tf

mnist = tf.keras.datasets.fashion_mnist

(training_images, training_labels), (test_images, test_labels) = mnist.load_data()

Step 2. 顯示第一個訓練圖像

備註：本步驟提供想學習查看訓練資料圖像內容的讀者參考，若不需要則可以考慮跳至下一個步驟，不會影響本專案學習。

導入 matplotlib 函式庫來顯示圖像

import matplotlib.pyplot as plt

顯示第一個訓練圖像

plt.imshow(training_images[0])

列印訓練標籤及圖像

print(training_labels[0]) # 列印第一個訓練標籤

輸出類別 9 即為 Ankle boot，其他類別可參考下表。

print(training_images[0]) # 列印第一個訓練圖像的像素數據

Step 3. 數據正規化

數據正規化：將圖像數據的像素值縮放到 0 到 1 之間，可以幫助模型更快更好地學習。

training_images = training_images / 255.0
test_images = test_images / 255.0

Step 4. 定義模型結構

設計神經網路結構：使用 Sequential 模型來堆疊層(Layer)。首先是平坦層(Flatten Layer)將二維圖像轉換為一維陣列圖像數據，然後是兩個密集層(Dense Layer)進行特徵學習和分類。

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(10, activation='softmax')
])

Step 5. 模型編譯與訓練

編譯模型：在訓練之前，需要編譯模型，設置優化器、損失函數和評估指標。本篇文章將使用 Adam 優化器， sparse_categorical_crossentropy 作為損失函數，並追踪其準確率來做為評估指標。

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

訓練模型：使用 fit 方法來訓練模型，並且使用前面準備的圖像訓練數據來訓練模型，過程中模型將學習如何將輸入的訓練圖像映射到輸出類別，這就是監督式學習的基本概念。這裡設定迭代 5 個訓練週期，讀者可以根據自己需求調整訓練週期並觀察模型訓練效果。

model.fit(training_images, training_labels, epochs=5)

Step 6. 模型儲存與載入

備註：本步驟提供有需要練習儲存模型的讀者參考，若不需要則可以考慮跳至下一個步驟，不會影響本專案學習。

儲存模型：訓練完成後，我們可以將模型儲存起來，以便未來使用或進行進一步的分析。

model.save('fashion_mnist_model.h5')

載入模型：若要使用這個儲存的模型時，可以使用下列程式碼載入之前儲存的模型來使用。

loaded_model = tf.keras.models.load_model('fashion_mnist_model.h5')

Step 7. 模型評估與優化

評估模型性能：使用測試數據集來評估模型的準確度，以了解模型在處理未見過的數據時的表現。下面程式碼將輸出模型在測試集上的準確度，讓我們能夠評估其泛化能力(Generalization)。

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

測試損失表示模型在測試數據上的平均損失值，測試準確率則表示模型正確預測標籤的比例。

性能優化：可以根據模型的表現，來調整模型結構（如增加層數、改變神經元數量）或調整學習參數（如學習率、批次大小），進行再次訓練和評估，以達到更好的性能。

Step 8. 檢視模型架構

備註：本步驟提供想了解神經網路結構的讀者參考，若不需要則可以暫時忽略此步驟，不會影響本專案學習。

檢視模型架構：若想要顯示模型的摘要資訊，可執行下面程式碼，將會顯示包括每層的名稱、輸出形狀和參數數量，對於理解模型的構造和複雜度非常有幫助。

model.summary()

Model: “sequential”：表示我們所建立的模型是一個序列性模型（Sequential），這是最簡單的 Keras 模型類型，每一層就像是樂高積木一樣按順序一個接一個。
Layer (type)：顯示每層的類型，如 Flatten、Dense 等。
Output Shape：顯示每層的輸出形狀。例如
👉 flatten (Flatten) 是模型的第一層，將圖像從二維圖像（28×28像素）轉換為一維向量（784像素），輸出形狀是(32, 784)，其中 32 是批次大小（batch size），784 是展平後的特徵數量。
👉 dense (Dense) 是模型的第二層，也是一個全連接層（Dense），它有 128 個神經元。
👉 dense_1 (Dense) 則是模型的第三層，也是一個全連接層，它有 10 個神經元，用於輸出模型對 10 個類別的預測。
Param #：表示每層中訓練參數的數量。全連接層(Dense)的參數數量取決於前一層的輸出單元數和當前層的單元數。
👉 flatten 層的參數數量為0，因為它只做數據轉換，不包含任何需要訓練的參數。
👉 第一個 dense 層的參數數量是 100480，這是由 784（輸入單元）x 128（輸出單元）+ 128（bias 偏差值）計算得來的。
👉 第二個dense層的參數數量是1290，這是由 128（輸入單元）x 10（輸出單元）+ 10（bias 偏差值）計算得來的。
Total params：顯示模型總共的參數數量，這裡是101770，表示模型中所有層的參數加起來的總數。
Trainable params：顯示可訓練的參數數量，這裡與總參數數量相同，意味著模型中所有的參數都是可訓練的。
Non-trainable params：顯示不可訓練的參數數量，在這個模型中沒有不可訓練的參數。

model.summary() 這個命令對於確認模型結構和調校非常有用，可以讓我們直觀地看到模型各層配置以及它們是如何連接的。而另一種方法則是將這個神經網路架構視覺化如下，也提供讀者參考。

3. 心得與結論

透過這個專案，初學者不僅能夠學習深度學習的理論知識，還能夠獲得實際操作經驗，對於理解和掌握深度學習的概念很重要。無論是從數據處理、建構模型架構到模型訓練及評估，每一步都是了解深度學習流程的重要組成部分。

此外，這個專案也可以讓讀者有機會練習調整模型參數（如學習率、層數、神經元數量等），這是優化模型性能的關鍵技能。讓學習者可以透過實驗不同的設定來觀察對模型性能的影響，這樣的實務經驗對於有興趣成為一名深度學習工程師非常重要，也是一個非常好的入門學習範例，適合大家透過實作及詳細介紹實際理解深度學習的基本原理和方法。

如果大家想要了解人工智慧、機器學習、深度學習、神經網路、生成式 AI 的相關基礎知識，可以參考這一本書《「生成式⇄AI」：52 個零程式互動體驗，打造新世代人工智慧素養 》，或是 SimpleLearn｜Online 課程，它將帶領讀者在不會程式、不會數學也OK!的情況下，了解整個 AI 到 生成式 AI 的相關觀念及應用，不僅可以建立最完整的 AI 入門知識，更是培養 AI 素養的最好學習內容。

如果你喜歡這篇文章歡迎訂閱、分享(請載名出處)與追蹤，並持續關注最新文章。同時 FB 及 IG 也會不定期提供國內外教育與科技新知。