keras使用

1. 数据的探索

ImageNet数据集中包含有猫狗的具体分类，对一个图片在载有ImageNet上预训练权值的xception模型上进行预测，如果其预测结果top50不包含猫狗真实的标签分类（图片预测值前50都没有正常分类），那么就将其视为异常值在输入模型之前，我们需要对数据集进行预处理：剔除掉训练集中的异常值。
参考：https://blog.csdn.net/tustzhoujian/article/details/81335032

2.keras利用TensorBoard画loss和acc曲线

这个网上很多，但很零碎，挺难运行的起来的。现提供一种可以运行的代码供参考：

 from keras.callbacks import TensorBoard, EarlyStopping
  tbCallBack = TensorBoard(log_dir='./Graph',
                             histogram_freq=0,
                             write_graph=True,
                             write_images=True)
    early_stopping = EarlyStopping(monitor='val_loss', mode ='min',patience=2)
    model_history = model.fit_generator(train_generator, epochs=30, validation_data=evaluate_generator,
                                        callbacks=[early_stopping,tbCallBack])

这段代码核心部分是导包分清楚是在tensorflow下的keras还是直接在keras下，不然会出现tensorflow.python.framework.errors_impl.FailedPreconditionError: Error while reading resource错误，原因是应用的TensorBoard与keras不在同一层。early_stopping 控制当模型达到指定的条件时停止训练保存现有模型。

3. acc、val_acc、loss、val_loss详解

acc为训练集上的准确率，val_acc为验证集上的准确率。
loss为训练集上的损失，val_loss是验证集上的损失。
（1）acc、val_acc停留在一个值附近，上下震荡
原因：陷入了局部最优
解决方案：lr太小，不足以跳出这个小坑，增大lr值。例如原始的预编译模型部分为：

model.compile(optimizer=SGD(lr=0.0001, momentum=0.9), loss='categorical_crossentropy', metrics=['accuracy'])

这时候你需要把lr调大一点，可以是2倍或者10倍，视情况而定。此时还需要接着观察acc以及val_acc的变化。
（2）loss下降acc上升，val_acc下降val_loss上升
描述： 20分类的迁移学习训练过程中，训练集上的acc正常上升，第一轮训练稳定在0.4，val_acc第一轮只有0.06上下，以后acc不断增大，val_acc出现下降趋势。