这是深入学习空间系列文章中的第一篇文章，以及如何使用SAP Leonardo ML基金会进行深入学习。这些文章将涵盖一个从数据准备到预测的深度学习项目的完整过程。

第一个是一个非常流行和最成功的深度学习应用：图像分类。

问题陈述：制作一个深度学习模型，将图像分为不同的类别。

数据集：任何图像分类数据集。在本文中，我们将使用著名的时尚MNIST数据集。这个数据集包含70000（60000次训练+10000次测试）衣服的图像，每个图像属于10个类别中的一个。您可以从这里获取数据集。解压缩时，您将发现火车.zip以及测试.zip. 十大类是：

技术堆栈：

让我们开始工作吧！主要步骤是：

数据准备

图像大小是28*28，它们已经很小了，所以我们不需要裁剪它们。另外，图像已经是黑白的了。

但是我们仍然应该做数据扩充，因为数据越多，深度学习的性能越好。

数据集的结构是：

–时尚_mnist.zip文件

– 火车.zip

-列车/

-列车.csv

– 测试.zip

-测试/

-测试.csv

列车文件夹有60000张图片，测试文件夹有10000张图像。我们首先将这个数据集划分为训练（85%=51000个图像）和验证（15%=9000个图像）。此外，我们还将为train和validation文件夹中的10个类别中的每一个创建单独的子文件夹。目录结构应该是这样的：ω-训练- 0 - 1 -π……- 9 -π-验证-π- 0→1 -π……-9。我们先在本地系统上做这个，然后将其上传到SAP列奥纳多ML基金会。python代码（在解压数据的文件夹中运行代码）：

此代码将生成两个名为train\u folders和validation\u folders的文件夹。这些文件夹应该包含10个文件夹，每个文件夹都有0个文件夹编号为0个文件夹，其中有文件夹名类的图像。胡：上传数据到SAP列奥纳多ML基金会：这将创建一个名为StatoMnMnScript的文件夹，并在SAP列奥纳多ML基金会中创建两个文件夹。我们将使用来自在imagenet数据集上训练的keras的预训练模型。我们的想法是重新训练像ResNet50或InceptionV3这样已经在imagenet数据集上训练过的预先训练的模型，并用我们的数据集对它们进行微调。这里，我不会详细介绍模型的微调，但是我们将看到如何在SAP列奥纳多ML基金会的代码中实现这一点。请注意，我们将使用keras的inception\u resnet\u v2模型。

让我们定义一些常量

图像数据生成器用于从训练文件夹生成图像，对学习模型应用增强和提要。在这里，我们定义了两个图像生成器，电力物联网，一个用于训练，另一个用于验证。在这里，大数据信息，我们将加载预先训练过的inception\u resnet\u v2，添加几个密集层和dropout层，并使用SGD optimizer进行编译。我们将保留所有的图层，除了添加的图层是不可训练的，因为他们已经预先训练过了。此函数返回已编译的模型。

同时，定义一些回调：检查点、提前停止和降低学习率。

是时候训练模型了。显示每个历元的训练日志。注意，epoch的数量只有3个，您可以增加它。少一点是因为以后我们会用更多的历元再次对所有的层进行微调。

现在，由于增加的密集层是用3个历元（或更少的时间取决于回调）来训练的，是时候用更小的学习率对整个模型进行微调了，所以我们解冻了整个模型。

现在，立返利，我们有了经过训练的模型，让我们将预测新图像的权重保存在同一个时尚列表文件夹中。

将上述所有训练代码另存为培训.py在当前目录的文件夹代码中。另外，怎么做淘客推广，按名称创建yaml文件_mnist.yaml公司当前目录中有以下内容：

现在，我们需要上传代码文件夹培训.py时尚_mnist.yaml公司以列奥纳多ML基金会为工作。一旦提交作业，它就开始运行，您还可以看到进程的日志。要上传，返利模式，请在当前目录的命令提示符下运行：

对新图像进行预测

我们现在要做的就是加载保存的模型并开始预测，确保应用与对训练数据集相同的预处理步骤。但是首先，让我们从同一个地方下载测试数据（如果您还没有这样做的话）。这是一个zip文件，解压缩它会给你一个文件夹名测试。进行另一个文件夹测试，并将这个测试文件夹放在测试文件夹中（我们这样做是因为keras需要这样做才能进行预测）。上传测试文件夹到SAP列奥纳多ML基金会。创建新的python文件预测.py并在其中编写以下代码。运行此代码后，将生成一个最终文件，其中包含对所有名为提交.csv将在SAP列奥纳多ML基金会的StasmOnMNIST文件夹中生成。运行预测的过程与训练相同：3。上传预测作业：

4。你可以下载提交.csv也可以将文件发送到您的本地系统。