深度学习图像分类模型（版本1）

学习目标

• 明确图像分类的核心意图
• 了解imageNet数据集的基本情况

1 图像分类

图像分类本质上是一种将图像与预设类别集合中的相应标签进行匹配的操作。换句话说，我们的目标是通过解析输入的图像内容，最终确定并输出其所属类别的标识。

假设类别集合为categories = {dog, cat, panda}，随后我们将一张具体的图像输入至分类模型中，具体示例如下图所示：

图像分类模型能够为图片赋予多个标签，每个标签对应不同的概率数值，例如dog:95%，cat:4%，panda:1%。通过比较这些概率值的高低，系统将该图像归类为概率最高的标签，即dog，从而实现图像分类的目标。

2 常用数据集

2.1 mnist数据集

该数据集包含从0到9的手写数字样本，总计包含60,000张用于训练的图像以及10,000张用于测试的图像，涵盖10个分类类别，每张图像的尺寸为28×28×1。利用tf.keras这一工具，用户可以直接调用并加载该数据集：

    (train_images, train_labels), (test