【TensorFlow2.x 实践】服装分类

比眉伴天荒 2022-12-05 10:10 258阅读 0赞

### 前言 ###

基于TensorFlow2.x的框架，使用PYthon编程语言，实现对服装图像进行分类。

### 思路流程： ###

1.  导入 Fashion MNIST数据
2.  集探索数据
3.  预处理数据
4.  建立模型（搭建神经网络结构、编译模型）
5.  训练模型（把数据输入模型、评估准确性、作出预测、验证预测）  
6.  使用训练有素的模型

### 一、Fashion MNIST数据集 ###

Fashion MNIST数据集包括一些运动鞋和衬衫等衣物；我们从下图中先看一下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70][]

*给不同类别的* 运动鞋和衬衫等衣物，进行索引分类；每个图像都映射到一个标签。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1][]

不同的类别，对应其索引，先把它们存储在此处以供以后在绘制图像时使用：

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
                   'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

### 二、探索数据 ###

在训练模型之前，我们可以探索数据集的格式。比如：训练集中有60,000张图像，每个图像表示为28 x 28像素。训练集中有60,000个标签；每个标签都是0到9之间的整数。

测试集中有10,000张图像。同样，每个图像都表示为28 x 28像素。测试集包含10,000个图像标签。

探索数据代码：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2][]

运行结果：

![20200902001017489.png][]

### 3、预处理数据 ###

在训练网络之前，必须对数据进行预处理。如果检查训练集中的第一张图像，将看到像素值落在0到255的范围内：

plt.figure()
    plt.imshow(train_images[0])
    plt.colorbar()
    plt.grid(False)
    plt.show()

查看第一张图像（像素值落在0到255），运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3][]

将这些值缩放到0到1的范围，然后再将其输入神经网络模型。为此，将值除以255。以相同的方式预处理*训练集*和*测试集*非常重要：

train_images = train_images / 255.0
    test_images = test_images / 255.0

为了验证数据的格式正确，并且已经准备好构建和训练网络，让我们显示*训练集中*的前25张图像，并在每张图像下方显示类别名称。

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]])
    plt.show()

运行结果：可以看到 *训练集中*的前25张图像

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4][]

### 四、建立模型 ###

建立神经网络需要配置模型的各层（图层），然后编译模型。

**1）搭建神经网络结构**

神经网络的基本组成部分是图*层* 。图层（**神经网络的结构**）将输入到图层中的数据进行提取特征。

深度学习的大部分内容是将简单的层链接在一起。大多数层（例如[`tf.keras.layers.Dense`][tf.keras.layers.Dense] ）具有在训练期间学习的参数。

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

此网络的第一层[`tf.keras.layers.Flatten`][tf.keras.layers.Flatten]将图像的格式从二维数组（28 x 28像素）转换为一维数组（28 \* 28 = 784像素）。可以将这一层看作是堆叠图像中的像素行并将它们排成一行。该层没有学习参数。它只会重新格式化数据。

像素展平后，网络由两个[`tf.keras.layers.Dense`][tf.keras.layers.Dense]层序列组成。这些是紧密连接或完全连接的神经层。第一`Dense`层具有128个节点（或神经元）。第二层（也是最后一层）返回长度为10的logits数组。每个节点包含一个得分，该得分指示当前图像属于10个类之一。

**2）编译模型**

在准备训练模型之前，需要进行一些其他设置。这些是在模型的*编译*步骤中添加的：

*  *损失函数* -衡量训练期间模型的准确性。希望最小化此功能，以在正确的方向上“引导”模型。
 *  *优化器* -这是基于模型看到的数据及其损失函数来更新模型的方式。
 *  *指标* -用于监视培训和测试步骤。以下示例使用*precision* ，即正确分类的图像比例。

model.compile(optimizer='adam',
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=['accuracy'])

### 五、训练模型 ###

训练神经网络模型需要执行以下步骤：

1.  将训练数据输入模型。在此示例中，训练数据在`train_images`和`train_labels`数组中。
2.  训练过程中该模型会学习关联图像和标签。（找到正确的对应关系，比如a图片，对应a标签，而不是对应c标签）
3.  使用训练好后的模型对测试集进行预测。（在本示例中为`test_images`数组）
4.  验证预测是否与`test_labels`数组中的标签匹配。

**1）把数据输入模型进行训练**

要开始训练，请调用`model.fit`方法：

model.fit(train_images, train_labels, epochs=10)

这里训练过程中会迭代10次；

第1次训练：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 5][]

第2次训练：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 6][]

..........................3、4、5、6、7、8、9...................训练

第10次训练：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 7][]

--------------------

模型训练时，会显示损失和准确性指标。该模型在训练数据上达到约0.91（或91％）的精度。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 8][]

**2）评估准确性**

比较模型在测试数据集上的表现：

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
    
    print('\nTest accuracy:', test_acc)

运行结果：

![20200902002250182.png][]

测试数据集的准确性略低于训练数据集的准确性。训练准确性和测试准确性之间的差距代表*过度拟合* 。当机器学习模型在新的，以前看不见的输入上的表现比训练数据上的表现差时，就会发生**过度拟合**。过度拟合的模型“记忆”训练数据集中的噪声和细节，从而对新数据的模型性能产生负面影响。

解决方案：请参见以下内容：（有兴趣可以看一下）

*  [证明过度拟合][Link 1]
 *  [防止过度拟合的策略][Link 2]

**3）作出预测**

通过训练模型，可以使用它来预测某些图像。模型的线性输出[logits][] 。附加一个softmax层，以将logit转换为更容易解释的概率。

probability_model = tf.keras.Sequential([model,  tf.keras.layers.Softmax()])
    predictions = probability_model.predict(test_images)

在这里，模型已经预测了测试集中每个图像的标签。让我们看一下第一个预测：

predictions[0]

运行结果：

![20200902003205314.png][]

预测是由10个数字组成的数组。它们代表模型对图像对应于10种不同服装中的每一种的“置信度”。可以看到哪个标签的置信度最高： np.argmax(predictions\[0\])

输出是 9

因此，模型最有把握认为该图像是短靴/脚踝靴（`class_names[9]` ）；检查测试标签表明此分类是正确的：test\_labels\[0\]

输出也是 9

**4）验证预测**

通过训练模型，可以使用它来预测某些图像。让我们看一下第0张图像，预测和预测数组。正确的预测标签为蓝色，错误的预测标签为红色。该数字给出了预测标签的百分比（满分为100）。

正确的预测标签为蓝色：

i = 0
    plt.figure(figsize=(6,3))
    plt.subplot(1,2,1)
    plot_image(i, predictions[i], test_labels, test_images)
    plt.subplot(1,2,2)
    plot_value_array(i, predictions[i],  test_labels)
    plt.show()

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 9][]

错误的预测标签为红色：

i = 12
    plt.figure(figsize=(6,3))
    plt.subplot(1,2,1)
    plot_image(i, predictions[i], test_labels, test_images)
    plt.subplot(1,2,2)
    plot_value_array(i, predictions[i],  test_labels)
    plt.show()

运行结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 10][]

绘制一些带有预测的图像：

# 绘制一些带有预测的图像
    # 绘制前X张测试图像，它们的预测标签和真实标签。
    # 将正确的预测颜色设置为蓝色，将不正确的预测颜色设置为红色。
    num_rows = 5
    num_cols = 3
    num_images = num_rows*num_cols
    plt.figure(figsize=(2*2*num_cols, 2*num_rows))
    for i in range(num_images):
      plt.subplot(num_rows, 2*num_cols, 2*i+1)
      plot_image(i, predictions[i], test_labels, test_images)
      plt.subplot(num_rows, 2*num_cols, 2*i+2)
      plot_value_array(i, predictions[i], test_labels)
    plt.tight_layout()
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 11][]

### 六、使用训练有素的模型 ###

使用经过训练的模型对单个图像进行预测；先挑一张图片，比如test\_images\[0\]，它是这样的：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 12][]

它是短靴/脚踝靴，对应标签是9。下面使用模型进行预测：

# 【6 使用训练有素的模型】
    # 使用经过训练的模型对单个图像进行预测。
    # 从测试数据集中获取图像。
    img = test_images[0]
    
    # 将图像添加到唯一的批处理
    img = (np.expand_dims(img,0))
    
    # 为该图像预测正确的标签：
    predictions_single = probability_model.predict(img)
    print("输出每一个标签的把握：", predictions_single)  # 一共10个标签，索引从0，1，2到9
    
    plot_value_array(1, predictions_single[0], test_labels)
    _ = plt.xticks(range(10), class_names, rotation=45)
    
    # keras.Model.predict返回一个列表列表-数据批次中每个图像的一个列表。批量获取我们（仅）图像的预测
    print("模型预测的结果：", np.argmax(predictions_single[0]))

运行结果：

![20200902010515620.png][]

我们可以看到有99.6%的把握认为是标签9，预测正确了，能分辨出是短靴/脚踝靴（标签是9）。

### 七、源代码： ###

# 本程序基于TensorFlow训练了一个神经网络模型来对运动鞋和衬衫等衣物的图像进行分类。
    # 使用tf.keras （高级API）在TensorFlow中构建和训练模型。
    
    # TensorFlow and tf.keras
    import tensorflow as tf
    from tensorflow import keras
    
    # Helper libraries
    import numpy as np
    import matplotlib.pyplot as plt
    
    # 查看当前tensorflow版本
    print("当前tensorflow版本", tf.__version__)
    
    # 【1 导入Fashion MNIST数据集】
    '''
    加载数据集将返回四个NumPy数组：
    train_images和train_labels数组是训练集 ，即模型用来学习的数据。
    针对测试集 ， test_images和test_labels数组对模型进行测试 
    '''
    '''
    图像是28x28 NumPy数组，像素值范围是0到255。 标签是整数数组，范围是0到9。这些对应于图像表示的衣服类别 ：
    标签	    类
    0	    T恤
    1	    裤子
    2	    套衫/卫衣
    3	    连衣裙
    4	    外衣/外套
    5	    凉鞋
    6	    衬衫
    7	    运动鞋
    8	    袋子
    9	    短靴/脚踝靴
    '''
    fashion_mnist = keras.datasets.fashion_mnist
    (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
    
    # 每个图像都映射到一个标签
    class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
                   'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']
    
    
    # 【2 探索数据】
    # 在训练模型之前，让我们探索数据集的格式。下图显示了训练集中有60,000张图像，每个图像表示为28 x 28像素
    print("训练集总图片数：", train_images.shape)
    
    # 训练集中有60,000个标签
    print("训练集中标签数:", len(train_labels))
    
    # 每个标签都是0到9之间的整数
    print("标签取值：", train_labels)
    
    # 测试集中有10,000张图像。同样，每个图像都表示为28 x 28像素
    print("测试集总图片数：", test_images.shape)
    
    # 测试集包含10,000个图像标签
    print("测试集标签数：", len(test_labels))
    
    
    # 【3 预处理数据】
    # 在训练网络之前，必须对数据进行预处理。如果检查训练集中的第一张图像，将看到像素值落在0到255的范围内
    plt.figure()
    plt.imshow(train_images[0])
    plt.colorbar()
    plt.grid(False)
    plt.show()
    
    # 将这些值缩放到0到1的范围，然后再将其输入神经网络模型。为此，将值除以255。以相同的方式预处理训练集和测试集非常重要：
    train_images = train_images / 255.0
    test_images = test_images / 255.0
    
    #为了验证数据的格式正确，并且已经准备好构建和训练网络，让我们显示训练集中的前25张图像，并在每张图像下方显示班级名称。
    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]])
    plt.show()
    
    # 【4 建立模型】
    # 建立神经网络需要配置模型的各层，然后编译模型
    # 搭建神经网络结构 神经网络的基本组成部分是层 。图层（神经网络结构）从输入到其中的数据中提取表示
    # 深度学习的大部分内容是将简单的层链接在一起。大多数层（例如tf.keras.layers.Dense ）具有在训练期间学习的参数。
    model = keras.Sequential([
        keras.layers.Flatten(input_shape=(28, 28)),
        keras.layers.Dense(128, activation='relu'),
        keras.layers.Dense(10)
    ])
    
    '''
    编译模型
    在准备训练模型之前，需要进行一些其他设置。这些是在模型的编译步骤中添加的：
    损失函数 -衡量训练期间模型的准确性。您希望最小化此功能，以在正确的方向上“引导”模型。
    优化器 -这是基于模型看到的数据及其损失函数来更新模型的方式。
    指标 -用于监视培训和测试步骤。以下示例使用precision ，即正确分类的图像比例。
    '''
    model.compile(optimizer='adam',
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=['accuracy'])
    
    
    # 【5 训练模型】
    '''
    训练神经网络模型需要执行以下步骤：
    1.将训练数据输入模型。在此示例中，训练数据在train_images和train_labels数组中。
    2.该模型学习关联图像和标签。
    3.要求模型对测试集进行预测（在本示例中为test_images数组）。
    4.验证预测是否与test_labels数组中的标签匹配。
    '''
    # 要开始训练，请调用model.fit方法，之所以这么称呼是因为它使模型“适合”训练数据：
    model.fit(train_images, train_labels, epochs=10)
    
    # 比较模型在测试数据集上的表现
    test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
    print('\nTest accuracy:', test_acc)
    
    # 作出预测 通过训练模型，您可以使用它来预测某些图像。模型的线性输出logits 。附加一个softmax层，以将logit转换为更容易解释的概率。
    probability_model = tf.keras.Sequential([model,  tf.keras.layers.Softmax()])
    
    predictions = probability_model.predict(test_images)
    
    print(predictions[0])
    
    print(np.argmax(predictions[0]))
    print(test_labels[0])
    
    # 以图形方式查看完整的10个类预测。
    def plot_image(i, predictions_array, true_label, img):
      true_label, img = true_label[i], img[i]
      plt.grid(False)
      plt.xticks([])
      plt.yticks([])
    
      plt.imshow(img, cmap=plt.cm.binary)
    
      predicted_label = np.argmax(predictions_array)
      if predicted_label == true_label:
        color = 'blue'
      else:
        color = 'red'
    
      plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],
                                    100*np.max(predictions_array),
                                    class_names[true_label]),
                                    color=color)
    
    def plot_value_array(i, predictions_array, true_label):
      true_label = true_label[i]
      plt.grid(False)
      plt.xticks(range(10))
      plt.yticks([])
      thisplot = plt.bar(range(10), predictions_array, color="#777777")
      plt.ylim([0, 1])
      predicted_label = np.argmax(predictions_array)
    
      thisplot[predicted_label].set_color('red')
      thisplot[true_label].set_color('blue')
    
    '''验证预测
    通过训练模型，您可以使用它来预测某些图像。
    让我们看一下第0张图像，预测和预测数组。正确的预测标签为蓝色，错误的预测标签为红色。该数字给出了预测标签的百分比（满分为100）。'''
    i = 0
    plt.figure(figsize=(6,3))
    plt.subplot(1,2,1)
    plot_image(i, predictions[i], test_labels, test_images)
    plt.subplot(1,2,2)
    plot_value_array(i, predictions[i],  test_labels)
    plt.show()
    
    i = 12
    plt.figure(figsize=(6,3))
    plt.subplot(1,2,1)
    plot_image(i, predictions[i], test_labels, test_images)
    plt.subplot(1,2,2)
    plot_value_array(i, predictions[i],  test_labels)
    plt.show()
    
    # 绘制一些带有预测的图像
    # 绘制前X张测试图像，它们的预测标签和真实标签。
    # 将正确的预测颜色设置为蓝色，将不正确的预测颜色设置为红色。
    num_rows = 5
    num_cols = 3
    num_images = num_rows*num_cols
    plt.figure(figsize=(2*2*num_cols, 2*num_rows))
    for i in range(num_images):
      plt.subplot(num_rows, 2*num_cols, 2*i+1)
      plot_image(i, predictions[i], test_labels, test_images)
      plt.subplot(num_rows, 2*num_cols, 2*i+2)
      plot_value_array(i, predictions[i], test_labels)
    plt.tight_layout()
    plt.show()
    
    # 【6 使用训练有素的模型】
    # 使用经过训练的模型对单个图像进行预测。
    # 从测试数据集中获取图像。
    img = test_images[0]
    
    # 将图像添加到唯一的批处理
    img = (np.expand_dims(img,0))
    
    # 为该图像预测正确的标签：
    predictions_single = probability_model.predict(img)
    print("输出每一个标签的把握：", predictions_single)  # 一共10个标签，索引从0，1，2到9
    
    plot_value_array(1, predictions_single[0], test_labels)
    _ = plt.xticks(range(10), class_names, rotation=45)
    
    # keras.Model.predict返回一个列表列表-数据批次中每个图像的一个列表。批量获取我们（仅）图像的预测
    print("模型预测的结果：", np.argmax(predictions_single[0]))

希望对你有帮助；

## 本文参考： ##

Tensorflow 官网：[https://www.tensorflow.org/][https_www.tensorflow.org]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70]: /images/20221123/f61b389a8cf6416a92cb56d46f77230d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1]: /images/20221123/4a3fdf27553c491488ab0269304227a4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2]: /images/20221123/d754f73b6f6c465f97dff4f63df4ed8c.png
[20200902001017489.png]: /images/20221123/0631a32a94a24759a570a2216a0e8458.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3]: /images/20221123/86f4f1f905d74fcba10b4096176bab83.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4]: /images/20221123/38decf0a70434c4a9e1213570e2a1039.png
[tf.keras.layers.Dense]: https://www.tensorflow.org/api_docs/python/tf/keras/layers/Dense?hl=zh_cn
[tf.keras.layers.Flatten]: https://www.tensorflow.org/api_docs/python/tf/keras/layers/Flatten?hl=zh_cn
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 5]: /images/20221123/3f59c03f929a4560b02f4b9c228ab651.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 6]: /images/20221123/112d49988d9549578cef057ba85b4aa9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 7]: /images/20221123/cd8024b8f4884948be2aefb221b346c5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 8]: /images/20221123/067c1020e6194652a79be0be3b570065.png
[20200902002250182.png]: /images/20221123/f59c2b90cc144442b86a3abd7a1dbf79.png
[Link 1]: https://www.tensorflow.org/tutorials/keras/overfit_and_underfit?hl=zh_cn#demonstrate_overfitting
[Link 2]: https://www.tensorflow.org/tutorials/keras/overfit_and_underfit?hl=zh_cn#strategies_to_prevent_overfitting
[logits]: https://developers.google.com/machine-learning/glossary?hl=zh_cn#logits
[20200902003205314.png]: /images/20221123/8c3a755a427844a38a621bff5e22c98b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 9]: /images/20221123/3d0c0116b50640d7b339aef132197bce.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 10]: /images/20221123/01e26badfb66479eb20d2efb8d8b12bb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 11]: /images/20221123/2b3f472f18b34780bf6acfa9a48c60fa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 12]: /images/20221123/df62f83da7ba4b7c83d42ed2f0814ab7.png
[20200902010515620.png]: /images/20221123/694657334bba41b89a04ecf7f86b518c.png
[https_www.tensorflow.org]: https://www.tensorflow.org/