开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 深度学习入门系列10：通过绘制训练记录理解训练模型行为 -> 正文阅读

[人工智能]深度学习入门系列10：通过绘制训练记录理解训练模型行为

大家好，我技术人Howzit，这是深度学习入门系列第九篇，欢迎大家一起交流！

通过观察训练期间的性能变化，你能更好了解神经网络和深度学习模型。在这节课中，你将学习在python中如何用Keras审视和可视化深度学习模型的性能。完成这节课后，你将了解：

如何检查训练期间收集的历史记录指标。
如何绘制训练集和验证集的准确率指标。
如何绘制训练和验证数据集上的模型损失指标。

10.1 Keras中查看模型训练历史记录

Keras训练深度学习模型时，提供了注册回调的能力，默认注册的回调之一是History回调。如果设置了，它记录了每次迭代训练指标，包括误差和精度（对于分类问题），对于验证集也是如此。
这个历史记录对象在调用fit() 函数时返回，这个函数在训练模型中使用。指标被存在字典中，返回的对象中包含历史记录。举个例子，在完成训练模型之后，你可以使用下面一段代码列出历史记录对象中的所收集的指标。

# list all data in history
print(history.history.keys())

举个例子，对于一个用验证集在分类问题上的模型，可能会得到下面这个结果：

['loss', 'acc', 'val_loss', 'val_acc']

我们能使用历史记录对象中收集的数据来创建图表。这个图标能为训练的模型提供有用的启示，例如：

迭代的收敛速度
这个模型是否已经收敛了（线稳定）。
模型是否在训练集上过度学习（验证线的变化）。
等等

10.2 在Keras中可视化训练模型记录

我们能从收集历史数据中创建图表。在下面这个例子，我们创建一个小的网络来建模pima糖尿病二分类问题。例子中收集了训练模型中返回历史数据并创建两个图表：

在训练集和验证集上准确率的图表。
在训练集和验证集损失的图表

# Visualize training history

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import matplotlib.pyplot as plt
import numpy

# fix random seed for reproducibility
seed = 7
numpy.random.seed(seed)

# load pima indians dataset
dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",")

# split into input (X) and output (Y) variables
X = dataset[:,0:8]
Y = dataset[:,8]

# create model
model = Sequential()
model.add(Dense(12, input_dim=8, activation= "relu" ))
model.add(Dense(8, activation= "relu" ))
model.add(Dense(1, activation= "sigmoid" ))

# Compile model
model.compile(loss= "binary_crossentropy" , optimizer= "adam" , metrics=[ "accuracy" ])

# Fit the model
history = model.fit(X, Y, validation_split=0.33, epochs=150, batch_size=10, verbose=0)

# list all data in history
print(history.history.keys())

# summarize history for accuracy
plt.plot(history.history[ "accuracy" ])
plt.plot(history.history[ "val_accuracy" ])
plt.title( "model accuracy" )
plt.ylabel( "accuracy" )
plt.xlabel( "epoch" )

绘制图如下。验证数据集的历史记录按照惯例标记为test，因为它确实是模型的测试数据集。从准确性图可以看出，由于在最后几个时期两个数据集的准确性趋势仍在上升，因此可以对模型进行更多的训练。我们还可以看到，该模型尚未过度学习训练数据集，从图中可以看出在两个数据集上配置相当。
准确率图表
从损失图，我们能看到模型在训练集和验证集（标记为测试）上有可相当的性能。如果这些平行图开始一致偏离，则可能是在较早时期停止训练的信号。
请添加图片描述