Revisiting the good old fashion_mnist 

#The CNN model does well, does not overfit, and predicts fairly accurately

#with may be just one/two wrong predictions.

import tensorflow as tf 

import tensorflow.keras 

import matplotlib.pyplot as plt 

import numpy as np 

fashion_mnist = tf.keras.datasets.fashion_mnist

(train_images , train_labels), (test_images, test_labels) = fashion_mnist.load_data()

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',

               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']

print(train_images.shape)

print(train_labels.shape)

print(test_images.shape)

print(test_labels.shape)

#image printing below and shapes printing above is not strictly required, it 

#is merely done here to be in sync with the tensorflow google tutorials!

#print a single image

plt.figure()

plt.imshow(train_images[0])

plt.xticks([])

plt.yticks([])

plt.xlabel(class_names[train_labels[0]])

plt.show()

i = 0 

plt.figure(figsize=(6,6))

for i in range(25): 

  plt.subplot(5,5,i+1)

  plt.xticks([])

  plt.yticks([])

  plt.grid(False)

  plt.imshow(train_images[i])

  plt.xlabel(class_names[train_labels[i]])

plt.show()

train_images = train_images / 255.0

test_images = test_images /255.0

train_images = train_images.reshape(train_images.shape[0],28, 28,1)

test_images = test_images.reshape(test_images.shape[0],28, 28,1)

model = tf.keras.models.Sequential([

  tf.keras.layers.Conv2D(16 , 3, activation = "relu" , input_shape =(28,28,1)), 

  tf.keras.layers.MaxPooling2D(), 

  tf.keras.layers.Conv2D(16 , 3, activation = "relu"), 

  tf.keras.layers.MaxPooling2D(), 

  tf.keras.layers.Conv2D(16 , 3, activation = "relu"), 

  tf.keras.layers.MaxPooling2D(),     

  tf.keras.layers.Flatten(),

  tf.keras.layers.Dense(512, activation = "relu"),

  tf.keras.layers.Dense(10, activation= "softmax")

])

model.compile(optimizer = "adam" , loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = True), metrics = ["accuracy"])

epochs=10

history = model.fit(train_images , train_labels , epochs = epochs , validation_data = (test_images, test_labels))

plt.figure(figsize=(8,8))

plt.subplot(1,2,1)

plt.plot(range(epochs) , history.history["accuracy"] , label = "Training Accuracy")

plt.plot(range(epochs) , history.history["val_accuracy"] , label = "Validation Accuracy")

plt.legend(loc="upper left")

plt.title("Accuracy")

plt.subplot(1,2,2)

plt.plot(range(epochs) , history.history["loss"] , label = "Training Loss")

plt.plot(range(epochs) , history.history["val_loss"] , label = "Validation Loss")

plt.legend(loc="upper right")

plt.title("Loss")

plt.show()

#predict for a single image

img_index = 10

img = tf.expand_dims(test_images[img_index],0) 

predictions = model.predict(img)

print(predictions[0])

print(class_names[np.argmax(predictions[0])])

print(class_names[test_labels[img_index]])

plt.imshow(test_images[img_index].reshape(28,28))

#predict for multiple images

image_index = 0 

for image_index in range(1 , 25 , 1) :

  img_arr = tf.expand_dims(train_images[image_index],0)

  predictions = model.predict(img_arr)

  print ("Predicted class {} ; actual class {} ".format(class_names[np.argmax(predictions[0])], class_names[train_labels[image_index]]))