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

技术人Howzit

已于 2022-04-16 17:50:57 修改

阅读量525

点赞数 1

分类专栏：深度学习入门文章标签：深度学习神经网络 tensorflow

于 2021-08-27 22:57:27 首次发布

本文链接：https://blog.csdn.net/c_he_n/article/details/119961954

版权

深度学习入门专栏收录该内容

25 篇文章 46 订阅

订阅专栏

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！

文章目录

10.1 Keras中查看模型训练历史记录
10.2 在Keras中可视化训练模型记录
10.3 总结
- 10.3.1 接下来

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

10.3 总结

这节课，你已经发现了收集和复盘你的深度学习训练指标的重要性。你已经学到：

如何从训练中检查History对象，并学习已经收集的指标。
如何针对训练集和验证集提取准确率信息并绘制数据。
如何提取和绘制来自训练集和验证集的损失信息。

10.3.1 接下来

一个简单又强大的技术用于减少模型过拟合，称之为dropout。在接下来课程中你将学习Dropout技术，如何将它应用在Keras中的显示层和隐藏层，最好的实践就是在你的问题上应用它。

技术人Howzit

关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
打赏
2
评论
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！深度学习入门系列1：多层感知器概述深度学习入门系列2:用TensorFlow构建你的第一个神经网络深度学习入门系列3:深度学习模型的性能评价方法深度学习入门系列4:用scikit-learn找到最好的模型深度学习入门系列5项目实战：用深度学习识别鸢尾花种类深度学习入门系列6项目实战：声纳回声识别深度学习入门系列7项目实战：波士顿房屋价格回归深度学习入门系列8:用序列化保存模型便于继续训练深度学习入门系列9:用检查点
复制链接

扫一扫