Python 美国有线电视新闻网关于时装MNIST数据集

我正在使用fashion MNIST数据集来尝试解决这个问题。我正在使用链接中的数据：

培训：

培训集标签：

测试集映像

测试集标签

我使用以下代码打开数据集：

def load_mnist（路径，kind='train'）：
导入操作系统
导入gzip
将numpy作为np导入
“”“从'path'加载MNIST数据”
labels\u path=os.path.join（路径，
“%s-labels-idx1-ubyte.gz”
%（种类）
images\u path=os.path.join（路径，
“%s-images-idx3-ubyte.gz”
%（种类）
将gzip.open（标签_path，'rb'）作为lbpath：
labels=np.frombuffer（lbpath.read（），dtype=np.uint8，
偏移量=8）
使用gzip.open（images_path，'rb'）作为imgpath：
images=np.frombuffer（imgpath.read（），dtype=np.uint8，
偏移=16）。重塑（透镜（标签），784）
返回图像、标签
标签=[“T恤/上衣”、“裤子”、“套头衫”、“连衣裙”、“外套”、“凉鞋”、“衬衫”，
“运动鞋”、“包”、“踝靴”]
数据_dir='。/'
X\u train，y\u train=load\u mnist（'D:\book'，kind='train'））
X\u测试，y\u测试=负载列表（'D:\book'，kind='t10k'）
X_train=X_train.astype（np.float32）/256.0
X_test=X_test.astype（np.float32）/256.0

我正在尝试用以下架构构建卷积神经网络：

• 卷积层，32个滤波器，尺寸为3x3
• ReLU激活函数
• 2x2最大池
• 卷积层，64个滤波器，尺寸为3x3
• ReLU激活函数
• 2x2最大池
• 具有512个单元和ReLU激活功能的全连接层
• 输出层的Softmax激活层 对于使用SGD优化器的100个时代

我的代码是：

X_train=X_train.重塑（[60000,28,28,1]）
X_train=X_train.astype（'float32'）/255.0
X_测试=X_测试。重塑（[10000,28,28,1]）
X_test=X_test.astype（'float32'）/255.0
模型=顺序（）
添加（layers.Conv2D（32，（3,3），activation='relu'，input_shape=[28,28,1]））
添加（layers.MaxPooling2D（（2,2）））
添加（layers.Conv2D（64，（3,3），activation='relu'））
添加（layers.MaxPooling2D（（2,2）））
model.add（layers.flatte（））
model.add（layers.Dense（512，activation='relu'））
model.add（layers.Dense（10，activation='softmax'））
model.summary（）
y_train=keras.utils.np_utils.to_category（y_train）
y_检验=keras.utils.np_utils.to_分类（y_检验）
compile（优化器='sgd'，loss='classifical_crossentropy'，metrics=['accurity']）
模型拟合（X_序列，y_序列，历元=100）

---

但执行起来要花很多时间。每一个时代大约30分钟。我认为我的代码有问题。有人能帮我弄清楚吗？

我想强调几点：

• 加载mnist数据集后，查看代码中的以下行：

  X_train = X_train.astype(np.float32) / 256.0
  X_test = X_test.astype(np.float32) / 256.0 
  

  为什么要除以

  256.0

  ？图像中的像素数据范围为0-255。因此，您应该将其除以

  255.0

  ，将其标准化为0-1范围

• 加载后对数据进行一次规范化后，您将再次对其进行规范化。检查以下代码：

  X_train = X_train.reshape([60000, 28, 28, 1])
  X_train = X_train.astype('float32') / 255.0
  X_test = X_test.reshape([10000, 28, 28, 1])
  X_test = X_test.astype('float32') / 255.0
  

  在这里，重塑后，您将再次对其进行规格化。这是没有必要的。多次规范化数据可能会在训练网络时减慢收敛速度

• 您没有在

  model.fit

  函数中传递

  batch\u size

  值。根据文件
  如果未指定，批次大小将默认为32
  这可能是它需要更多时间执行的原因。尝试将批处理大小增加到100、200等，然后检查执行时间

• 如果可能的话，您是在cpu而不是gpu上训练您的模型<代码>60000x28x28培训数据不是一个小数据集

---

我想强调几点：
• 加载mnist数据集后，查看代码中的以下行：

  X_train = X_train.astype(np.float32) / 256.0
  X_test = X_test.astype(np.float32) / 256.0 
  

  为什么要除以

  256.0

  ？图像中的像素数据范围为0-255。因此，您应该将其除以

  255.0

  ，将其标准化为0-1范围

• 加载后对数据进行一次规范化后，您将再次对其进行规范化。检查以下代码：

  X_train = X_train.reshape([60000, 28, 28, 1])
  X_train = X_train.astype('float32') / 255.0
  X_test = X_test.reshape([10000, 28, 28, 1])
  X_test = X_test.astype('float32') / 255.0
  

  在这里，重塑后，您将再次对其进行规格化。这是没有必要的。多次规范化数据可能会在训练网络时减慢收敛速度

• 您没有在

  model.fit

  函数中传递

  batch\u size

  值。根据文件
  如果未指定，批次大小将默认为32
  这可能是它需要更多时间执行的原因。尝试将批处理大小增加到100、200等，然后检查执行时间

• 如果可能的话，您是在cpu而不是gpu上训练您的模型<代码>60000x28x28培训数据不是一个小数据集