29.多输出模型的自定义训练

我们对上一章的代码进行更改，我们简单看一下之前的代码，首先整理路径

之后创建数据集

• 与之前略有区别，train数据集不要加repeat()，否则会一直循环下去，以至于不能完成一个epoch

再之后创建网络

下面是自定义训练中与前面代码不同的地方

目录

1  定义优化器

2  定义损失函数

3  定义指标

4  定义训练步骤

5  定义测试步骤

6  定义指标列表

7  定义训练过程

8  预测模型

---

1  定义优化器

之后我们定义优化器，这次我们减小一点学习速率

但是效果有限，因为数据还是这么多

2  定义损失函数

之后我们定义loss

• color_label 颜色实际值
• color_predict 颜色预测值
• clothes_label 种类实际值
• clothes_predict 种类预测值

现在我们两个输出都是使用sparse_categorical_crossentropy，如果两个输出要使用不同的损失函数就可以换掉它

当然这里也可以分开定义，分开定义后面就各自使用各自的，我这里就仅仅定义了总loss

3  定义指标

之后我们定义训练指标，loss我们取均值，正确率我们使用分类问题数字编码的特有正确率SparseCategoricalAccuracy

我们在这里看一下 SparseCategoricalAccuracy()，这个函数也能自己用,我们现在让(0.02, 0.83,0.86, 0.1)为预测值，让1为真实值，我们可以看到预测值经过处理后为2(0.86最大),预测值为2，实际值为1，那么就代表预测错了，所以返回0.0

我们现在把实际值改为2

此时预测值为2，实际值为2，那就代表预测对了，所以acc的结果为1

在之前猫狗的时候需要转换的时候我们是直接用的Accuracy，两个数相同就为1，不同就为0

下面是相同的情况

4  定义训练步骤

5  定义测试步骤

6  定义指标列表

7  定义训练过程

训练过程

测试过程

训练的时候我们要把对应关系记录下来

我们把图表画出来看一下

• color_acc

• clothes_acc

• loss

我们这次减少了学习率，发现准确率都在0.9以上，这个模型还算可以

之后我们保存模型

8  预测模型

由于我们这个模型还算可以，所以我们找数据集外的图测试一下

这个预测没有问题，那么我们现在想测试一下，能不能识别黑短袖(black_shirt)，这个在标签中存在，但是在数据集中并没有黑短袖的分类

我们发现是识别不出来的，而且颜色的识别结果中黑色相对于蓝色的大小是非常低的，这个测试告诉我们如果机器没有见过黑短袖，只在其他衣服中见过黑色与短袖，这样是很难识别出来的