在时尚设计领域，人工智能（AI）技术的应用正逐渐成为推动行业发展的新动力。本文将介绍一个基于深度学习的AI系统，该系统能够通过分析客户需求来革新时尚设计行业。将使用Jupyter Notebook作为集成开发环境（IDE），并结合TensorFlow 2.0、NumPy、Matplotlib等库，以及DeepFashion数据集的一个自定义子集，以减少计算和内存开销。
本项目的目标是使用VGG16模型对15种不同的服装类别进行分类，并评估模型的性能。在前一篇文章中，已经展示了如何加载DeepFashion数据集，并如何调整VGG16模型以适应服装分类任务。在本文中，将训练VGG16模型，并评估其性能。
VGG16的迁移学习从冻结模型权重开始，这些权重是通过在如ImageNet这样的大型数据集上训练模型获得的。这些学习到的权重和过滤器为网络提供了出色的特征提取能力，这将有助于在训练模型对服装类别进行分类时提高其性能。因此，只有全连接（FC）层会被训练，而模型的特征提取部分几乎被冻结（通过设置非常低的学习率，如0.001）。让通过将它们设置为False来冻结特征提取层：
for layer in conv_model.layers:
layer.trainable = False
接下来，可以编译模型，同时选择学习率（0.001）和优化器（Adamax）：
full_model.compile(loss='categorical_crossentropy', optimizer=keras.optimizers.Adamax(lr=0.001), metrics=['acc'])
编译完成后，可以使用fit_generator函数开始模型训练，因为使用了ImageDataGenerator来加载数据。将使用train_dataset和val_dataset分别训练和验证网络。将训练三个周期，但这个数字可以根据网络性能增加。
history = full_model.fit_generator(train_dataset, validation_data=val_dataset, workers=0, epochs=3)
运行上述代码将产生以下输出：
现在，为了绘制网络的学习曲线和损失曲线，让添加plot_history函数：
def plot_history(history, yrange):
acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(len(acc))
plt.plot(epochs, acc)
plt.plot(epochs, val_acc)
plt.title('Training and validation accuracy')
plt.ylim(yrange)
plt.figure()
plt.plot(epochs, loss)
plt.plot(epochs, val_loss)
plt.title('Training and validation loss')
plt.show()
plot_history(history, yrange=(0.9, 1))
这个函数将生成以下两个图表：
网络在训练过程中表现良好。那么在测试集上也应该表现良好，对吧？将在测试集上测试它。首先，让加载测试集，然后使用model.evaluate函数将测试图像传递给模型以测量网络的准确性。
from tensorflow.keras.preprocessing.image import ImageDataGenerator
test_dir = r'C:\Users\abdul\Desktop\ContentLab\P2\DeepFashion\Test'
test_datagen = ImageDataGenerator()
test_generator = test_datagen.flow_from_directory(test_dir, target_size=(224, 224), batch_size=3, class_mode='categorical')
X_test, y_test = next(test_generator)
Testresults = full_model.evaluate(test_generator)
print("test loss, test acc:", Testresults)