使用Keras畫神經網路準確性圖教程
阿新 • • 發佈:2020-06-16
1.在搭建網路開始時,會呼叫到 keras.models的Sequential()方法,返回一個model引數表示模型
2.model引數裡面有個fit()方法,用於把訓練集傳進網路。fit()返回一個引數,該引數包含訓練集和驗證集的準確性acc和錯誤值loss,用這些資料畫成圖表即可。
如:
history=model.fit(x_train,y_train,batch_size=32,epochs=5,validation_split=0.25) #獲取資料 #########畫圖 acc = history.history['acc'] #獲取訓練集準確性資料 val_acc = history.history['val_acc'] #獲取驗證集準確性資料 loss = history.history['loss'] #獲取訓練集錯誤值資料 val_loss = history.history['val_loss'] #獲取驗證集錯誤值資料 epochs = range(1,len(acc)+1) plt.plot(epochs,acc,'bo',label='Trainning acc') #以epochs為橫座標,以訓練集準確性為縱座標 plt.plot(epochs,val_acc,'b',label='Vaildation acc') #以epochs為橫座標,以驗證集準確性為縱座標 plt.legend() #繪製圖例,即標明圖中的線段代表何種含義 plt.figure() #建立一個新的圖表 plt.plot(epochs,loss,label='Trainning loss') plt.plot(epochs,val_loss,label='Vaildation loss') plt.legend() ##繪製圖例,即標明圖中的線段代表何種含義 plt.show() #顯示所有圖表
得到效果:
完整程式碼:
import keras from keras.datasets import mnist from keras.layers import Conv2D,MaxPool2D,Dense,Flatten,Dropout from keras.models import Sequential import matplotlib.pyplot as plt (x_train,y_train),(x_test,y_test) = mnist.load_data() x_train = x_train.reshape(-1,28,1) x_test = x_test.reshape(-1,1) x_train = x_train / 255. x_test = x_test / 255. y_train = keras.utils.to_categorical(y_train) y_test = keras.utils.to_categorical(y_test) model = Sequential() model.add(Conv2D(20,(5,5),strides=(1,1),input_shape=(28,padding='valid',activation='relu',kernel_initializer='uniform')) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2))) model.add(Conv2D(64,2))) model.add(Flatten()) model.add(Dense(500,activation='relu')) model.add(Dropout(0.2)) model.add(Dense(10,activation='softmax')) model.compile('sgd',loss='categorical_crossentropy',metrics=['accuracy']) #隨機梯度下降 history=model.fit(x_train,label='Vaildation loss') plt.legend() ##繪製圖例,即標明圖中的線段代表何種含義
以上這篇使用Keras畫神經網路準確性圖教程就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。