一、概述
1. 案例介紹
華為開發者空間，是為全球開發者打造的專屬開發者空間，致力於為每位開發者提供一台雲主機、一套開發工具和雲上存儲空間，匯聚昇騰、鴻蒙、鯤鵬、GaussDB、歐拉等華為各項根技術的開發工具資源，並提供配套案例指導開發者從開發編碼到應用調測，基於華為根技術生態高效便捷的知識學習、技術體驗、應用創新。
開發者空間 - AI Notebook是基於EulerOS 2.9的集成AI開發平台，專為昇騰生態優化。核心配置包含1*昇騰910B NPU、8vCPU和24GB內存，提供強大的AI計算能力。環境預置完整技術棧：Python 3.10運行環境、PyTorch 2.1深度學習框架、CANN 8.0異構計算架構和OpenMind 0.9.1開發工具集，通過Jupyter Notebook提供交互式開發體驗。平台充分發揮昇騰硬件性能，為開發者提供開箱即用的全棧AI解決方案。
本案例基於開發者空間 - AI Notebook，使用Fashion-MNIST數據集，構建了一個智能衣櫃服裝分類系統，展示了深度學習技術在實際生活場景中的應用價值。系統採用卷積神經網絡（CNN）架構，實現了對10類服裝物品的精準識別，準確率達到93.75%。
案例驗證了深度學習在服裝識別領域的技術可行性，為智能衣櫃管理、電商商品分類、穿搭推薦等場景提供了技術原型。系統具有良好的擴展性，可進一步發展為移動端應用或雲端服務，具備顯著的商業應用潛力。
2. 適用對象
- 企業
- 個人開發者
- 高校學生
3. 案例時間
本案例總時長預計120分鐘。
4. 案例流程
説明：
- 領取華為開發者空間，登錄AI Notebook平台；
- 從GitCode下載代碼，安裝項目依賴；
- 執行項目代碼，獲取智能衣櫃服裝分類系統運行報告。
5. 資源總覽
本案例預計花費0元。
|
資源名稱 |
規格
|
單價（元）
|
時長（分鐘）
|
|
開發者空間 - AI Notebook |
NPU basic · 1 * NPU 910B · 8v CPU · 24GB | euler2.9-py310-torch2.1.0-cann8.0-openmind0.9.1-notebook
|
免費
|
120 |
二、基礎環境準備
1. 進入開發者空間 - AI Notebook
面向廣大AI開發者羣體，華為開發者空間提供免費昇騰NPU資源的Notebook，方便開發者學習昇騰相關的專業知識以及配套實驗。
進入華為開發者空間 - 工作台，找到我的開發工具板塊 > AI Notebook，點立即前往。
進入AI Notebook界面，選中NPU環境，點立即啓動。
等待NPU環境啓動，完成後，點查看Notebook。
進入Notebook界面，在筆記本點Python 3（ipykernel）。系統自動創建Untitled.ipynb。
2. 獲取項目源碼
在Notebook界面Untitled.ipynb第一個cell中執行如下命令：
!git clone https://gitcode.com/sinat_41661654/SmartWardrobe.git
代碼下載完後，項目工程自動下載到本地SmartWardrobe目錄下。
三、項目部署
項目核心模塊結構如下：
SmartWardrobeProject
├── SmartWardrobeProject # 項目主控制器，系統入口
├── SystemConfig # 統一管理系統配置參數，結果目錄管理
├── DataManager # 數據加載和預處理，服裝類別定義
├── DataAnalyzer # 數據探索和可視化，業務洞察生成
├── ModelBuilder # CNN模型構建，訓練流程管理
├── ModelEvaluator # 性能評估和分析，可視化報告生成
├── SmartWardrobeSystem # 實時預測功能，系統演示界面
├── ErrorAnalyzer # 錯誤模式識別1. 安裝必要的依賴
在SmartWardrobe目錄下打開SmartWardrobe.ipynb文件，執行第一個cell下的命令，安裝依賴包：
!pip install -r requirements.txt依賴包版本：
typing-extensions==4.5.0
scikit-learn==1.3.0
markupsafe==2.1.1
tensorflow==2.13.0
numpy==1.24.3
matplotlib==3.7.2
seaborn==0.12.2
pandas==2.0.3注：若出現如下報錯，是版本衝突導致的，不影響項目實際運行，再次執行安裝命令即可。
2. SystemConfig - 系統配置
核心功能：
- 統一管理系統配置參數；
- 結果目錄管理。
項目源碼：
主控制器執行之後的結果：
在/SmartWardrobe目錄下創建/smart_wardrobe_results目錄。
3. DataManager - 數據管理類
核心功能：
- 數據加載和預處理；
- 定義服裝類別和業務屬性。
項目源碼：
主控制器執行之後的結果：主控制器執行之後，輸出如下日誌信息
Starting Smart Wardrobe Project Pipeline
****************************** 1. 數據加載和預處理 ******************************
Loading Fashion-MNIST dataset...
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-labels-idx1-ubyte.gz
29515/29515 [==============================] - 0s 9us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/train-images-idx3-ubyte.gz
26421880/26421880 [==============================] - 4s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-labels-idx1-ubyte.gz
5148/5148 [==============================] - 0s 0us/step
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/t10k-images-idx3-ubyte.gz
4422102/4422102 [==============================] - 2s 0us/step
Dataset loaded: Train (60000, 28, 28, 1), Test (10000, 28, 28, 1)4. DataAnalyzer - 數據分析器
核心功能：
- 數據探索和可視化；
- 業務洞察生成。
項目源碼：
主控制器執行之後的結果：
****************************** 2. 數據分析 ******************************
Performing comprehensive data analysis...
Business Insights:
• Most common category: T-Shirt/Top
• Least common category: T-Shirt/Top
• All-season clothing: 50.0%- 生成業務洞察。
- 樣本展示。
注：圖片自動存儲於/SmartWardrobe/smart_wardrobe_results/目錄下。
5. ModelBuilder - 模型構建和訓練
核心功能：
- CNN模型構建；
- 訓練流程管理。
項目源碼：
主控制器執行之後的結果：
- 構建CNN模型
****************************** 3. 模型構建和訓練 ******************************
Building CNN model...
Model built successfully
Model: "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)
_________________________________________________________________- 訓練模型
6. ModelEvaluator - 模型評估器
核心功能：
- 性能評估和分析；
- 可視化報告生成。
項目源碼：
主控制器執行之後：
****************************** 4. 模型評估 ******************************
Performing comprehensive model evaluation...
Model Performance:
Test Accuracy: 0.9368 (93.68%)
Class-wise Performance:
GOOD | T-Shirt/Top | Accuracy: 0.894
EXCELLENT | Trouser | Accuracy: 0.990
EXCELLENT | Pullover | Accuracy: 0.911
EXCELLENT | Dress | Accuracy: 0.955
GOOD | Coat | Accuracy: 0.863
EXCELLENT | Sandal | Accuracy: 0.986
FAIR | Shirt | Accuracy: 0.830
EXCELLENT | Sneaker | Accuracy: 0.982
EXCELLENT | Bag | Accuracy: 0.990
EXCELLENT | Ankle Boot | Accuracy: 0.967- 全面模型評估。
注：圖片自動存儲於/SmartWardrobe/smart_wardrobe_results/目錄下。
7. SmartWardrobeSystem - 智能衣櫃系統
核心功能：
- 實時預測功能；
- 系統演示界面。
項目源碼：
主控制器執行之後，性能演示：
****************************** 5. 系統演示 ******************************
Smart Wardrobe System Demonstration
==================================================
Sample 1: Misclassified - True: Pullover, Pred: Sneaker
Sample 2: Misclassified - True: Ankle Boot, Pred: Sneaker
Sample 3: Misclassified - True: T-Shirt/Top, Pred: Sneaker
Sample 4: Misclassified - True: Coat, Pred: Sneaker
Sample 5: Misclassified - True: Trouser, Pred: Sneaker
Sample 6: Misclassified - True: Bag, Pred: Sneaker
Sample 7: Misclassified - True: Sandal, Pred: Sneaker
Sample 8: Correctly identified as Sneaker
Sample 9: Misclassified - True: Sandal, Pred: Sneaker
Sample 10: Misclassified - True: Shirt, Pred: Sneaker
Sample 11: Misclassified - True: Dress, Pred: Sneaker
Sample 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%)
注：圖片自動存儲於/SmartWardrobe/smart_wardrobe_results/目錄下。
8. ErrorAnalyzer - 錯誤分析器
核心功能：
- 錯誤模式識別；
- 改進建議生成。
項目源碼：
主控制器執行之後，常見的錯誤分析：
****************************** 6. 錯誤分析 ******************************
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
注：圖片自動存儲於/SmartWardrobe/smart_wardrobe_results/目錄下。
9. 運行智能衣櫃項目
核心功能：
- 項目主控制器；
- 生成項目總結
- 系統入口。
項目源碼：
主控制器執行之後，生成項目總結：
============================================================
PROJECT SUMMARY
============================================================
Final Test Accuracy: 0.9368 (93.68%)
Training Time: 5115.1 seconds
Model Parameters: 1,703,050
Deployment Status: GOOD - Suitable for most applications
============================================================
Project completed successfully!至此，基於華為開發者空間Notebook，Tensorflow + Fashion MNIST構建CNN實現智能衣櫃服裝分類系統結束了，開發者快來華為開發者空間 - Notebook平台實操吧。
