一、概述
1. 案例介绍
华为开发者空间，是为全球开发者打造的专属开发者空间，致力于为每位开发者提供一台云主机、一套开发工具和云上存储空间，汇聚昇腾、鸿蒙、鲲鹏、GaussDB、欧拉等华为各项根技术的开发工具资源，并提供配套案例指导开发者从开发编码到应用调测，基于华为根技术生态高效便捷的知识学习、技术体验、应用创新。
开发者空间 - AI Notebook是基于 EulerOS 2.9 的集成 AI 开发平台，专为昇腾生态优化。核心配置包含 1*昇腾 910B NPU、8vCPU 和 24GB 内存，提供强大的 AI 计算能力。环境预置完整技术栈：Python 3.10 运行环境、PyTorch 2.1 深度学习框架、CANN 8.0 异构计算架构和 OpenMind 0.9.1 开发工具集，通过 Jupyter Notebook 提供交互式开发体验。平台充分发挥昇腾硬件性能，为开发者提供开箱即用的全栈 AI 解决方案。
本案例基于开发者空间 - AI Notebook，使用 Fashion-MNIST 数据集，构建了一个智能衣柜服装分类系统，展示了深度学习技术在实际生活场景中的应用价值。系统采用卷积神经网络（CNN）架构，实现了对 10 类服装物品的精准识别，准确率达到 93.75%。
案例验证了深度学习在服装识别领域的技术可行性，为智能衣柜管理、电商商品分类、穿搭推荐等场景提供了技术原型。系统具有良好的扩展性，可进一步发展为移动端应用或云端服务，具备显著的商业应用潜力。
2. 适用对象
3. 案例时间
本案例总时长预计 120 分钟。
4. 案例流程
说明：
领取华为开发者空间，登录 AI Notebook 平台；
从 GitCode 下载代码，安装项目依赖；
执行项目代码，获取智能衣柜服装分类系统运行报告。
二、基础环境准备
1. 进入开发者空间 - AI Notebook
面向广大 AI 开发者群体，华为开发者空间提供免费昇腾NPU资源的Notebook，方便开发者学习昇腾相关的专业知识以及配套实验。
进入华为开发者空间 - 工作台，找到我的开发工具板块 > AI Notebook，点立即前往。
进入 AI Notebook 界面，选中 NPU 环境，点立即启动。
等待 NPU 环境启动，完成后，点查看 Notebook。
进入 Notebook 界面，在笔记本点 Python 3（ipykernel）。系统自动创建Untitled.ipynb。
2. 获取项目源码
在 Notebook 界面Untitled.ipynb第一个 cell 中执行如下命令：
!git clone https://gitcode.com/sinat_41661654/SmartWardrobe.git
复制代码
代码下载完后，项目工程自动下载到本地SmartWardrobe目录下。
三、项目部署
项目核心模块结构如下：
SmartWardrobeProject ├── SmartWardrobeProject # 项目主控制器，系统入口 ├── SystemConfig # 统一管理系统配置参数，结果目录管理 ├── DataManager # 数据加载和预处理，服装类别定义 ├── DataAnalyzer # 数据探索和可视化，业务洞察生成 ├── ModelBuilder # CNN模型构建，训练流程管理 ├── ModelEvaluator # 性能评估和分析，可视化报告生成 ├── SmartWardrobeSystem # 实时预测功能，系统演示界面 ├── ErrorAnalyzer # 错误模式识别
复制代码
1. 安装必要的依赖
在SmartWardrobe目录下打开SmartWardrobe.ipynb文件，执行第一个 cell 下的命令，安装依赖包：
!pip install -r requirements.txt
复制代码
依赖包版本：
typing-extensions==4.5.0scikit-learn==1.3.0markupsafe==2.1.1tensorflow==2.13.0numpy==1.24.3matplotlib==3.7.2seaborn==0.12.2pandas==2.0.3
复制代码
注：若出现如下报错，是版本冲突导致的，不影响项目实际运行，再次执行安装命令即可。
2. SystemConfig - 系统配置
核心功能：
统一管理系统配置参数；
结果目录管理。
项目源码：
主控制器执行之后的结果：
在/SmartWardrobe目录下创建/smart_wardrobe_results目录。
3. DataManager - 数据管理类
核心功能：
数据加载和预处理；
定义服装类别和业务属性。
项目源码：
主控制器执行之后的结果：主控制器执行之后，输出如下日志信息
Starting Smart Wardrobe Project Pipeline****************************** 1. 数据加载和预处理 ******************************Loading Fashion-MNIST dataset...Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz29515/29515 [==============================] - 0s 9us/stepDownloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz26421880/26421880 [==============================] - 4s 0us/stepDownloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz5148/5148 [==============================] - 0s 0us/stepDownloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz4422102/4422102 [==============================] - 2s 0us/stepDataset loaded: Train (60000, 28, 28, 1), Test (10000, 28, 28, 1)
复制代码
4. DataAnalyzer - 数据分析器
核心功能：
数据探索和可视化；
业务洞察生成。
项目源码：
主控制器执行之后的结果：
****************************** 2. 数据分析 ******************************Performing comprehensive data analysis...Business Insights:• Most common category: T-Shirt/Top• Least common category: T-Shirt/Top• All-season clothing: 50.0%
复制代码
生成业务洞察。
样本展示。
注：图片自动存储于/SmartWardrobe/smart_wardrobe_results/目录下。
5. ModelBuilder - 模型构建和训练
核心功能：
CNN 模型构建；
训练流程管理。
项目源码：
主控制器执行之后的结果：
构建 CNN 模型
****************************** 3. 模型构建和训练 ******************************Building CNN model...Model built successfullyModel: "sequential"________________________________________________________________________________________ Layer (type) Output Shape Param # ======================================================================================== conv2d (Conv2D) (None, 28, 28, 32) 320 batch_normalization (Batch Normalization) (None, 28, 28, 32) 128 max_pooling2d (MaxPooling2D) (None, 14, 14, 32) 0 dropout (Dropout) (None, 14, 14, 32) 0 conv2d_1 (Conv2D) (None, 14, 14, 64) 18496 batch_normalization_1 (Bat chNormalization) (None, 14, 14, 64) 256 max_pooling2d_1 (MaxPooling2D) (None, 7, 7, 64) 0 dropout_1 (Dropout) (None, 7, 7, 64) 0 conv2d_2 (Conv2D) (None, 7, 7, 128) 73856 batch_normalization_2 (Bat chNormalization) (None, 7, 7, 128) 512 dropout_2 (Dropout) (None, 7, 7, 128) 0 flatten (Flatten) (None, 6272) 0 dense (Dense) (None, 256) 1605888 batch_normalization_3 (Bat chNormalization) (None, 256) 1024 dropout_3 (Dropout) (None, 256) 0 dense_1 (Dense) (None, 10) 2570 =================================================================Total params: 1703050 (6.50 MB)Trainable params: 1702090 (6.49 MB)Non-trainable params: 960 (3.75 KB)_________________________________________________________________
复制代码
训练模型
6. ModelEvaluator - 模型评估器
核心功能：
性能评估和分析；
可视化报告生成。
项目源码：
主控制器执行之后：
****************************** 4. 模型评估 ******************************Performing comprehensive model evaluation...Model Performance:Test Accuracy: 0.9368 (93.68%)
Class-wise Performance:GOOD | T-Shirt/Top | Accuracy: 0.894EXCELLENT | Trouser | Accuracy: 0.990EXCELLENT | Pullover | Accuracy: 0.911EXCELLENT | Dress | Accuracy: 0.955GOOD | Coat | Accuracy: 0.863EXCELLENT | Sandal | Accuracy: 0.986FAIR | Shirt | Accuracy: 0.830EXCELLENT | Sneaker | Accuracy: 0.982EXCELLENT | Bag | Accuracy: 0.990EXCELLENT | Ankle Boot | Accuracy: 0.967
复制代码
全面模型评估。
注：图片自动存储于/SmartWardrobe/smart_wardrobe_results/目录下。
7. SmartWardrobeSystem - 智能衣柜系统
核心功能：
实时预测功能；
系统演示界面。
项目源码：
主控制器执行之后，性能演示：
****************************** 5. 系统演示 ******************************Smart Wardrobe System Demonstration==================================================Sample 1: Misclassified - True: Pullover, Pred: SneakerSample 2: Misclassified - True: Ankle Boot, Pred: SneakerSample 3: Misclassified - True: T-Shirt/Top, Pred: SneakerSample 4: Misclassified - True: Coat, Pred: SneakerSample 5: Misclassified - True: Trouser, Pred: SneakerSample 6: Misclassified - True: Bag, Pred: SneakerSample 7: Misclassified - True: Sandal, Pred: SneakerSample 8: Correctly identified as SneakerSample 9: Misclassified - True: Sandal, Pred: SneakerSample 10: Misclassified - True: Shirt, Pred: SneakerSample 11: Misclassified - True: Dress, Pred: SneakerSample 12: Misclassified - True: Dress, Pred: Sneaker/tmp/ipykernel_107/2759040002.py:80: UserWarning: Glyph 10060 (\N{CROSS MARK}) missing from current font. plt.tight_layout()/tmp/ipykernel_107/2759040002.py:80: UserWarning: Glyph 9989 (\N{WHITE HEAVY CHECK MARK}) missing from current font. plt.tight_layout()/tmp/ipykernel_107/2759040002.py:81: UserWarning: Glyph 10060 (\N{CROSS MARK}) missing from current font. plt.savefig(f'{self.data_manager.config.RESULTS_DIR}/04_system_demo.png',/tmp/ipykernel_107/2759040002.py:81: UserWarning: Glyph 9989 (\N{WHITE HEAVY CHECK MARK}) missing from current font. plt.savefig(f'{self.data_manager.config.RESULTS_DIR}/04_system_demo.png',/home/service/.local/lib/python3.10/site-packages/IPython/core/pylabtools.py:170: UserWarning: Glyph 10060 (\N{CROSS MARK}) missing from current font. fig.canvas.print_figure(bytes_io, **kw)/home/service/.local/lib/python3.10/site-packages/IPython/core/pylabtools.py:170: UserWarning: Glyph 9989 (\N{WHITE HEAVY CHECK MARK}) missing from current font. fig.canvas.print_figure(bytes_io, **kw)
Demo Performance: 1/12 (8.3%)
复制代码
注：图片自动存储于/SmartWardrobe/smart_wardrobe_results/目录下。
8. ErrorAnalyzer - 错误分析器
核心功能：
错误模式识别；
改进建议生成。
项目源码：
主控制器执行之后，常见的错误分析：
****************************** 6. 错误分析 ******************************Analyzing classification errors...Total errors: 632 (6.32%)
Most Common Errors: T-Shirt/Top → Shirt : 80 occurrences Shirt → T-Shirt/Top : 71 occurrences Coat → Shirt : 59 occurrences Coat → Pullover : 50 occurrences Pullover → Shirt : 49 occurrences
复制代码
注：图片自动存储于/SmartWardrobe/smart_wardrobe_results/目录下。
9. 运行智能衣柜项目
核心功能：
项目主控制器；
生成项目总结
系统入口。
项目源码：
主控制器执行之后，生成项目总结：
============================================================PROJECT SUMMARY============================================================Final Test Accuracy: 0.9368 (93.68%)Training Time: 5115.1 secondsModel Parameters: 1,703,050Deployment Status: GOOD - Suitable for most applications============================================================Project completed successfully!
复制代码
至此，基于华为开发者空间 Notebook，Tensorflow + Fashion MNIST 构建 CNN 实现智能衣柜服装分类系统结束了，开发者快来华为开发者空间 - Notebook平台实操吧。
评论