时间:2021-05-22
想要查看每次训练模型后的 loss 值变化需要如下操作
loss_value= [ ]self.history = model.fit(state,target_f,epochs=1, batch_size =32)b = abs(float(self.history.history[‘loss'][0]))loss_value.append(b)print(loss_value)loss_value = np.array( loss_value)x = np.array(range(len( loss_value)))plt.plot(x, loss_value, c = ‘g')pt.svefit('c地址‘, dpi= 100)plt.show()scipy.sparse 稀疏矩阵 函数集合
pandas 用于在各种文件中提取,并处理分析数据; 有DataFrame数据结构,类似表格。
x=np.linspace(-10, 10, 100) 生成100个在-10到10之间的数组
补充知识:对keras训练过程中loss,val_loss,以及accuracy,val_accuracy的可视化
我就废话不多说了,大家还是直接看代码吧!
hist = model.fit_generator(generator=data_generator_reg(X=x_train, Y=[y_train_a,y_train_g], batch_size=batch_size), steps_per_epoch=train_num // batch_size, validation_data=(x_test, [y_test_a,y_test_g]), epochs=nb_epochs, verbose=1, workers=8, use_multiprocessing=True, callbacks=callbacks) logging.debug("Saving weights...") model.save_weights(os.path.join(db_name+"_models/"+save_name, save_name+'.h5'), overwrite=True) pd.DataFrame(hist.history).to_hdf(os.path.join(db_name+"_models/"+save_name, 'history_'+save_name+'.h5'), "history")在训练时,会输出如下打印:
640/640 [==============================] - 35s 55ms/step - loss: 4.0216 - mean_absolute_error: 4.6525 - val_loss: 3.2888 - val_mean_absolute_error: 3.9109
有训练loss,训练预测准确度,以及测试loss,以及测试准确度,将文件保存后,使用下面的代码可以对训练以及评估进行可视化,下面有对应的参数名称:
loss,mean_absolute_error,val_loss,val_mean_absolute_error
import pandas as pdimport matplotlib.pyplot as pltimport argparseimport osimport numpy as npdef get_args(): parser = argparse.ArgumentParser(description="This script shows training graph from history file.") parser.add_argument("--input", "-i", type=str, required=True, help="path to input history h5 file") args = parser.parse_args() return argsdef main(): args = get_args() input_path = args.input df = pd.read_hdf(input_path, "history") print(np.min(df['val_mean_absolute_error'])) input_dir = os.path.dirname(input_path) plt.plot(df["loss"], '-o', label="loss (age)", linewidth=2.0) plt.plot(df["val_loss"], '-o', label="val_loss (age)", linewidth=2.0) plt.xlabel("Number of epochs", fontsize=20) plt.ylabel("Loss", fontsize=20) plt.legend() plt.grid() plt.savefig(os.path.join(input_dir, "loss.pdf"), bbox_inches='tight', pad_inches=0) plt.cla() plt.plot(df["mean_absolute_error"], '-o', label="training", linewidth=2.0) plt.plot(df["val_mean_absolute_error"], '-o', label="validation", linewidth=2.0) ax = plt.gca() ax.set_ylim([2,13]) ax.set_aspect(0.6/ax.get_data_ratio()) plt.xticks(fontsize=20) plt.yticks(fontsize=20) plt.xlabel("Number of epochs", fontsize=20) plt.ylabel("Mean absolute error", fontsize=20) plt.legend(fontsize=20) plt.grid() plt.savefig(os.path.join(input_dir, "performance.pdf"), bbox_inches='tight', pad_inches=0)if __name__ == '__main__': main()以上这篇在keras中实现查看其训练loss值就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
记录训练过程中的每一步的loss变化ifverboseandstep%verbose==0:sys.stdout.write('\r{}/{}:loss={}'
前言:keras是一个十分便捷的开发框架,为了更好的追踪网络训练过程中的损失函数loss和准确率accuracy,我们有几种处理方式,第一种是直接通过histo
在使用keras搭建神经网络时,有时需要查看一下预测值和真是值的具体数值,然后可以进行一些其他的操作。这几天查阅了很多资料。好像没办法直接access到训练时的
在Keras中可以自定义损失函数,在自定义损失函数的过程中需要注意的一点是,损失函数的参数形式,这一点在Keras中是固定的,须如下形式:defmy_loss(
关于Keras中,当数据比较大时,不能全部载入内存,在训练的时候就需要利用train_on_batch或fit_generator进行训练了。两者均是利用生成器