在前面学习神经网络的时候，基于Fashion MNIST数据集的softmax函数多分类以及代码实现，已经尝试过使用Fashion Mnist数据集。在本节的学习中，使用卷积神经网络再一次对该数据集进行分析。
代码
几个不同的点，在使用简单的神经网络的时候，对图像预处理是进行扁平化处理。但是使用卷积神经网络的时候，需要加入的数据是一个图片的数据，需要一个四维数据的图片。所谓四维：图片的数量、高、宽、通道。所以要对数据集里的图片进行“增维”。
再次强调，卷积神经网络需要四维的图片数据（数量，宽度，高度，通道数）数据！！
import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
# 加载Fashion MNIST数据
(train_image, train_label), (test_image, test_label) = tf.keras.datasets.fashion_mnist.load_data()
# 将图像扩张到4维，因为卷积神经网络需要载入四维的图像数据
train_image = np.expand_dims(train_image, -1)
# train_image.shape 结果： (6000,28,28,1)
# 通道为1表示是一张黑白的灰度图片
test_image = np.expand_dims(test_image, -1)
# 卷积神经网络模型的建立
model = tf.keras.Sequential()
# 第一层为卷积层
# 32表示每一层建立32个卷积核，卷积核为3X3大小
model.add(
tf.keras.layers.Conv2D(32, (3, 3), input_shape=train_image.shape[1:], activation='relu'))
# 池化层
model.add(tf.keras.layers.MaxPool2D())
# 再加入一个卷积层
model.add(
tf.keras.layers.Conv2D(64, (3, 3), activation='relu'))
# 扁平化会带来太多需要计算的参数，这里进行了一个二维的平均
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(10, activation='softmax')) # 输出十个概率值，softmax概率分布
# 编译
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy', #输入数据的类别标签采用序号编码
metrics = ['acc']
)
# 进行训练
history = model.fit(train_image, train_label,epochs=30, validation_data=(test_image, test_label))
plt.plot(history.epoch, history.history.get("acc"),label="acc")
plt.plot(history.epoch, history.history.get("val_acc"),label="val_acc")
但是仍然出现了过拟合：
过拟合优化
针对过拟合，在前面的文章中进行了介绍：
什么是过拟合？什么是欠拟合？过拟合解决方法之使用Dropout抑制
这里的通过增大网络的规模以及使用Dropout进行抑制：
# 卷积神经网络模型的建立
model = tf.keras.Sequential()
# 第一层为卷积层
# 64表示每一层建立64个卷积核，卷积核为3X3大小
model.add(
tf.keras.layers.Conv2D(64, (3, 3), input_shape=train_image.shape[1:], activation='relu',padding='same'))
# 64表示每一层建立64个卷积核，卷积核为3X3大小
model.add(
tf.keras.layers.Conv2D(64, (3, 3), activation='relu',padding='same'))
model.add(
tf.keras.layers.Conv2D(64, (3, 3), activation='relu',padding='same'))
# 池化层
model.add(tf.keras.layers.MaxPool2D())
# 添加dropout层, 抑制过拟合
model.add(tf.keras.layers.Dropout(0.5))
# 再加入一个卷积层
model.add(
tf.keras.layers.Conv2D(256, (3, 3), activation='relu',padding='same'))
# 再加入一个卷积层
model.add(
tf.keras.layers.Conv2D(256, (3, 3), activation='relu',padding='same'))
# 池化层
model.add(tf.keras.layers.MaxPool2D())
# 添加dropout层, 抑制过拟合
model.add(tf.keras.layers.Dropout(0.5))
# 再加入一个卷积层
model.add(
tf.keras.layers.Conv2D(256, (3, 3), activation='relu',padding='same'))
# 扁平化会带来太多需要计算的参数，这里进行了一个二维的平均
model.add(tf.keras.layers.GlobalAveragePooling2D())
model.add(tf.keras.layers.Dense(256, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax')) # 输出十个概率值，softmax概率分布训练的效果：
可以看出略有提升。
