Tensorflow 衣物圖像分類(二)

輔助閱讀: Basic classification: Classify images of clothing

建立模組

建造神經網路模組需要配置模組的各層面(layers)，並編譯模組。

神經網路建構中最基本的建構方法便是層層堆疊，圖層從輸入到其中的資料中提取特徵，並希望這些特徵對於問題是有意義的。

大多數深度學習皆由將簡易的圖層一層層連接在一起所組成，大多數圖層像是Dense具有在訓練時要使用的參數。

Flatten，在網路中第一層的圖層，將圖片的形式從二維陣列(28x28 pixels)轉換成一維陣列(28x28 = 784 pixels)。可以將這層圖層看作是堆疊圖層中的「像素行」(unstacking rows)並將他們排成一行。這層圖層沒有參數需要學習，只是將資料重新建構。

在圖片的像素被攤平後，網路由兩個Dense序列所組成。這些序列緊密相連，又或者說是完成連接的神經圖層，第一圖層Dense有一百二十八個節點，第二圖層(目前最後一層)有回傳長度為十的logits陣列。每個節點含有表示目前圖片屬於十個分類中的某一分類的分數

編譯模組

在模組準備好能夠訓練前，還需要幾個設置。這些設定在模組正在編譯時加入。
Loss function 損失函數 這個可以衡量模型在訓練過程中的準確性，希望能夠最小化此功能以在正確的方向上引導此模組
Optimizer 優化器 這個是建立在模組看到的數據和損失函數來更新模組的方法。
矩陣 – 用於監視與訓練與測試步驟。下面的例子用準確性，正確分類的圖像比例。

下篇接續~