在訓練深度學習模型時，Keras提供了對訓練歷史的預設回撥方法——History回撥。它記錄了每個epoch的訓練指標，包括有損失、準確度（分類問題），以及評估資料集的損失和準確度（這需要設定）。訓練過程中的資訊可以從訓練模型的fit()函式的返回值獲取。度量標準儲存在返回物件的歷史成員的字典中。

"""將模型訓練過程視覺化"""
from keras.models import Sequential
from keras.layers import Dense
from sklearn import datasets
from keras.utils import to_categorical
from matplotlib import pyplot as plt
import numpy as np

#匯入資料
dataset = datasets.load_iris()

x = dataset.data
Y = dataset.target

#將標籤轉換為分類編碼
Y_labels = to_categorical(Y, num_classes=3)

#隨機種子
seed = 7
np.random.seed(seed)

#構建模型函式
def create_model(optimizer='rmsprop', init='glorot_uniform'):
    #構建模型
    model = Sequential()
    model.add(Dense(units=4, activation='relu', input_dim=4,kernel_initializer=init))
    model.add(Dense(units=6, activation='relu', kernel_initializer=init))
    model.add(Dense(units=3, activation='softmax', kernel_initializer=init))
    #編譯模型
    model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])

    return model

#構建模型
model = create_model()
history = model.fit(x,Y_labels, validation_split=0.2, epochs=200, batch_size=5, verbose=0)
#評估模型
scores = model.evaluate(x,Y_labels,verbose=0)
print('%s: %.2f%%' % (model.metrics_names[1], scores[1]*100))

#history列表
print(history.history.keys())
#accuracy的歷史
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.xlabel('epoch')
plt.ylabel('accuracy')
plt.legend(['train', 'validation'], loc='upper left')
plt.show()

#loss的歷史
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.xlabel('epoch')
plt.ylabel('loss')
plt.legend(['train', 'validation'], loc='upper left')
plt.show()
 

輸出結果為：

acc: 92.67%
dict_keys(['val_acc', 'acc', 'loss', 'val_loss'])