Data Science and Machine Learning - #44 Keras - Classificação de Imagens I

No tutorial de hoje começaremos a trabalhar com a API de alto nível do TensorFlow conhecida como Keras. Vamos iniciar trabalhando com classificação de imagens.

Classificação de Imagens com Python

Vamos começar importando os módulos necessários dentro do Jupyter.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.preprocessing.image import load_img,img_to_array
from tensorflow.keras.models import load_model
from IPython.display import Image
%matplotlib inline

Importando Data Frame

Iremos agora importar o Data Frame de imagens:

fashion_mnist = keras.datasets.fashion_mnist

(X_train, y_train), (X_test, y_test) = fashion_mnist.load_data()

As classes de roupas existentes neste Data Frame podem ser visualizadas no código abaixo:

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

Normalização dos Dados de Imagens

Assim como dados numéricos, os dados em formato de imagem também precisam ser normalizados para manter uma escala única:

plt.figure()
plt.imshow(X_train[5])
plt.colorbar()
plt.grid(False)
plt.show()

X_train = X_train / 255.0
X_test = X_test / 255.0

Modelo

Vamos aplicar, compilar e ajustar o nosso modelo:

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

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

model.fit(X_train, y_train, epochs=10)

Predições

Agora vamos fazer predições de classificações de imagens:

pred = model.predict(X_test)
pred[19]

np.argmax(pred[19])
y_test[19]

Por hoje é só! Sucesso nos códigos e na vida!