令history = model.fit(...)，用history使得训练结果可视化，并在过拟合之前提前结束训练（tf，keras）

最新推荐文章于 2023-01-18 16:55:21 发布

Alocus_

最新推荐文章于 2023-01-18 16:55:21 发布

阅读量1.3w

点赞数 8

分类专栏：深度学习文章标签：可视化 tensorflow 深度学习

本文链接：https://blog.csdn.net/Crystal_remember/article/details/116779209

版权

深度学习专栏收录该内容

16 篇文章

订阅专栏

这段代码展示了如何在Keras中构建模型并利用EarlyStopping回调进行训练优化。通过监控验证集损失，当验证损失在10个连续的epoch内没有改善时，训练将提前停止。同时，定义了一个辅助函数`plot_history`来绘制平均绝对误差和均方误差随训练进程的变化，帮助理解模型的训练效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

hist = pd.DataFrame(history.history)
hist['epoch'] = history.epoch
hist.tail()

def plot_history(history):
  hist = pd.DataFrame(history.history)
  hist['epoch'] = history.epoch

  plt.figure()
  plt.xlabel('Epoch')
  plt.ylabel('Mean Abs Error [MPG]')
  plt.plot(hist['epoch'], hist['mae'],
           label='Train Error')
  plt.plot(hist['epoch'], hist['val_mae'],
           label = 'Val Error')
  plt.ylim([0,5])
  plt.legend()

  plt.figure()
  plt.xlabel('Epoch')
  plt.ylabel('Mean Square Error [$MPG^2$]')
  plt.plot(hist['epoch'], hist['mse'],
           label='Train Error')
  plt.plot(hist['epoch'], hist['val_mse'],
           label = 'Val Error')
  plt.ylim([0,20])
  plt.legend()
  plt.show()


plot_history(history)

model = build_model()

# patience 值用来检查改进 epochs 的数量
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)

history = model.fit(normed_train_data, train_labels, epochs=EPOCHS,
                    validation_split = 0.2, verbose=0, callbacks=[early_stop, PrintDot()])

plot_history(history)