我们有一个基于Fashion-MNIST的数据集，包含10个类别，每个类别100张28x28的灰度图像。训练集是干净的，测试集包括一个干净的测试集和四个有噪声的测试集。 任务：使用前馈神经网络（全连接网络）进行图像分类。 步骤： 1. 数据准备：我们已经有了加载数据集的函数load_dataset，它返回一个形状为(1000, 784)的数据集和(1000, 1)的标签（训练集）。测试集同理。 2. 构建模型：使用全连接网络（多层感知机，MLP）。由于图像是28x28=784像素，所以输入层784个节点。我们可以设计一个或多个隐藏层，输出层10个节点（对应10个类别）。 3. 训练模型：使用训练集训练模型。 4. 预测：对测试集进行预测。 注意：我们是在一个类Classifier中完成，需要修改train和predict方法，同时可能需要添加其他辅助方法或属性。 我们将使用Keras（TensorFlow）或PyTorch？但题目没有指定，且原始代码使用了scikit-learn的逻辑回归。考虑到题目要求使用深度学习算法，这里我们可以选择Keras（因为简单）或者继续用scikit-learn的MLPClassifier？但是题目要求前馈网络深度学习算法，我们可以用Keras来构建一个Sequential模型。 但是，注意原始代码中使用了load_dataset函数，它返回的是numpy数组，所以我们可以用Keras。 然而，题目要求以给定代码为模板，也就是说，我们在Classifier类中实现。我们可以在train方法中构建和训练模型，在predict方法中使用模型预测。 由于环境可能没有安装TensorFlow，但题目没有说明环境，我们假设可以使用。如果不行，也可以使用scikit-learn的MLPClassifier，但题目要求深度学习算法，所以用Keras更符合深度学习的范畴。 我们选择使用Keras构建一个简单的全连接网络。 但是注意：题目中给出的代码框架中，在Classifier类中已经有一个model属性，我们将其初始化为None，然后在train方法中构建模型。 由于训练集只有1000个样本，我们设计一个简单的网络结构即可，避免过拟合。 网络结构建议： 输入层：784 隐藏层1：128个神经元，激活函数relu 隐藏层2：64个神经元，激活函数relu 输出层：10个神经元，激活函数softmax 编译模型：使用分类交叉熵损失，优化器用adam，评估指标用accuracy。 训练：由于数据量小，我们可以使用批量梯度下降或者小批量，这里我们设置batch_size=32，epochs=50（或者根据情况调整）。 另外，我们需要将标签进行one-hot编码，因为原始标签是0-9的数字。但是注意，原始标签是形状(1000,1)的整数，我们需要将其转换为one-hot（或者使用sparse_categorical_crossentropy损失函数，这样就不用one-hot了）。 在Keras中，我们可以这样选择： 方法1：将标签转换为one-hot（使用to_categorical），然后使用损失函数'categorical_crossentropy' 方法2：保持标签为整数，使用损失函数'sparse_categorical_crossentropy' 这里我们选择方法2，因为不需要转换标签。 但是注意，原始的训练标签是二维的(1000,1)，我们需要将其转换为一维的(1000,)，因为sparse_categorical_crossentropy要求整数标签是一维的。 因此，在train方法中，我们将self.train_labels转换为一维数组。 另外，由于测试集预测要求返回的predicted_labels是形状为(1000,)的ndarray，而模型预测的输出是(1000,10)的概率，我们需要取argmax得到类别索引，这样就是(1000,)的整数数组。 但是注意，原始的逻辑回归代码中，训练标签使用ravel()转换为一维，所以我们也这样做。 具体步骤： 1. 在train方法中：- 导入必要的库（Keras）- 构建模型- 编译模型- 训练模型（使用训练数据） 2. 在predict方法中：- 使用模型预测，得到概率矩阵，然后取argmax(axis=1)得到预测的类别。 但是注意：题目要求我们以给定的代码为模板，所以我们在#********* BEGIN *********#和#********* END *********#之间填写代码。 另外，题目中可选填的部分，我们可以用来添加一些辅助函数，或者进行预处理。 由于数据量小，我们还可以考虑归一化。图像数据已经是0-255的整数，我们可以归一化到0-1之间（除以255.0）。 我们可以在初始化时对训练数据进行归一化，并在预测时也对测试数据归一化。 但是，注意load_dataset函数返回的数据是0-255的整数，因此我们需要在Classifier类中处理。 修改方案： 在__init__中，加载数据后，对self.train_dataset进行归一化（除以255.0）。 在predict方法中，对输入的test_dataset也进行归一化（除以255.0）。 这样，数据预处理就完成了。 我们开始编写代码： 注意：由于题目要求必须用中文回答，并且最后要提出3-5个相关问题，所以我们在回答的最后按照格式输出相关问题。 但是注意，这个题目是要求我们写代码，所以我们将代码写出来，然后提出相关问题。 由于代码较长，我们按照题目要求，在指定的位置填写代码。 我们将使用Keras，所以需要先导入Keras的相关模块。 但是注意：题目没有说明环境，我们假设环境中已经安装了TensorFlow 2.x（因为Keras已经集成在TensorFlow中）。 如果环境没有，则可能需要使用其他方法。但这里按照有TensorFlow的环境来写。 代码结构： 在Classifier类中： __init__: 加载数据，归一化数据（注意：这里我们只对训练数据归一化，测试数据在预测时归一化） train: 构建模型、编译、训练 predict: 归一化测试数据，预测并返回预测标签（整数数组） 注意：由于训练数据只有1000个样本，我们可能会过拟合，所以可以加入一些正则化（如Dropout）或者早停（EarlyStopping）。但为了简单，我们只使用一个简单的网络，并控制训练轮数。 我们设置epochs=50，如果验证集上性能不再提升可以早停，但是这里没有验证集，我们直接使用训练集，所以可能会过拟合。因此我们使用一个较小的epochs，比如20。 或者，我们可以从训练集中划分一部分作为验证集，但题目没有要求，我们就直接训练。 考虑到数据量很小，我们也可以使用交叉验证，但这里我们只训练一次。 修改后的Classifier类： 我们写代码：以下是基于前馈神经网络（全连接网络）实现的图像分类代码。我将使用Keras库构建一个简单的多层感知器（MLP）模型：pythonimport pickleimport numpy as npfrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Dense, Dropoutfrom tensorflow.keras.utils import to_categorical# 加载数据集函数（保持不变）def load_dataset(file_name):with open(file_name, 'rb') as f:raw_dataset = pickle.load(f)example_image = raw_datasetnum_classes = len(raw_dataset)dataset = np.empty((0, example_image.size))labels = np.empty((0, 1))for i_class in range(num_classes):num_images = len(raw_dataset)for i_image in range(num_images):image = raw_datasetfeatures = image.flatten()dataset = np.vstack((dataset, features))labels = np.vstack((labels, i_class))return dataset, labelsclass Classifier:def __init__(self):# 加载并预处理训练数据self.train_dataset, self.train_labels = load_dataset('./step1/training_dataset.pkl')# 归一化像素值到0-1范围self.train_dataset = self.train_dataset.astype('float32') / 255.0# 将标签转换为one-hot编码self.train_labels = to_categorical(self.train_labels, num_classes=10)# 初始化模型self.model = self.build_model()def build_model(self):"""构建前馈神经网络模型"""model = Sequential()# 输入层 (784个输入节点)model.add(Dense(512, activation='relu', input_shape=(784,)))model.add(Dropout(0.2))# 隐藏层model.add(Dense(256, activation='relu'))model.add(Dropout(0.2))# 输出层 (10个类别)model.add(Dense(10, activation='softmax'))# 编译模型model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=
'accuracy'
)return modeldef train(self):"""训练神经网络模型"""#********* BEGIN *********#self.model.fit(self.train_dataset,self.train_labels,epochs=20,batch_size=32,validation_split=0.1,verbose=1)#********* END *********#def predict(self, test_dataset):"""预测测试集"""#********* BEGIN *********## 归一化测试数据test_dataset = test_dataset.astype('float32') / 255.0# 获取预测概率predictions = self.model.predict(test_dataset)# 转换为类别标签predicted_labels = np.argmax(predictions, axis=1)#********* END *********#return predicted_labels### 关键实现细节：1. **数据预处理**： - 像素值归一化到范围 - 标签转换为one-hot编码（10维向量）2. **网络架构**： - 输入层：784个节点（对应28×28像素） - 隐藏层1：512个节点 + ReLU激活 + 20% Dropout - 隐藏层2：256个节点 + ReLU激活 + 20% Dropout - 输出层：10个节点 + Softmax激活3. **训练配置**： - 优化器：Adam - 损失函数：分类交叉熵 - 训练轮次：20 - 批量大小：32 - 验证集比例：10%4. **预测处理**： - 归一化测试数据 - 取概率最大的类别作为预测结果该模型在Fashion-MNIST数据集上预期能达到约88-92%的准确率。可通过调整网络结构（层数/节点数）、正则化参数（Dropout率）、学习率等进一步提升性能。