基于keras的深度模型训练过程及结果记录方法

最新推荐文章于 2023-03-14 19:00:18 发布
VIP文章 最新推荐文章于 2023-03-14 19:00:18 发布
阅读量1.6w 收藏 55
点赞数 8
分类专栏： python keras
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sjtuxx_lee/article/details/80502775
版权

记录训练过程

history=model.fit(X_train, Y_train, epochs=epochs,batch_size=batch_size,validation_split=0.1)

将训练过程记录在history中

利用时间记录模型

import time
model_id = np.int64(time.strftime('%Y%m%d%H%M', time.localtime(time.time())))
model.save('./VGG16'+str(model_id)+'.h5')

保存模型及结构图

from keras.utils import plot_model
model.save('/opt/Data1/lixiang/letter_recognition/models/VGG16'+str(model_id)
最低0.47元/天 解锁文章
sjtu_leexx
关注
  • 8
    点赞
  • 踩
  • 55
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
深度学习-基于Keras的Python项目开发实战_印第安人糖尿病诊断_编程案例实例教程.pdf
04-29
Keras 是一个功能强大且易于使用的 Python 库，用于快速开发深度学习模型。它是对数值计算库 CNTK 和 TensorFlow 的有效封装，可以通过简单的几行代码来定义和训练神经网络模型。通过 Keras 可以创建贯序模型和函数模型。本章将使用 Keras 在 Python中创建第一个神经网络模型，这是一个简单的贯序模型，也是神经网络中最常见的模型。本章使用 Pima Indians 糖尿病发病情况数据集。这是一个可从 UCI Machine Learning免费下载的标准机器学习数据集（http://archive.ics.uci.edu/ml/datasets/Pima+Indians+ Diabetes）。它描述了 Pima Indians 的患者医疗记录数据，以及他们是否在五年内发生糖尿病。这是一个二元分类问题（糖尿病为 1 或非糖尿病为 0），描述每个患者的输入变量是数值类型，具有不同的尺度。下面列出了数据集的 8 个属性和输出结果。
Keras中fit()和fit_generator()区别以及其参数的坑
MrLeaper 的博客
04-11 2万+
fit和fit_generator的区别 首先Keras中的fit()函数传入的x_train和y_train是被完整的加载进内存的,当然用起来很方便，但是如果我们数据量很大，那么是不可能将所有数据载入内存的，必将导致内存泄漏，这时候我们可以用fit_generator函数来进行训练。 下面是fit传参的例子： history = model.fit(x_train, y_train, ep...
[Python深度学习]（五）深度学习用于文本和序列
gdtop的个人笔记
12-16 1871
本文为《Python深度学习》的学习笔记。 第6章 深度学习用于文本和序列 本章将使用深度学习模型处理文本、时间序列和一般的序列数据。 6.1 处理文本数据 深度学习模型不会接受原始文本作为输入，它只能处理数值张量。将文本分解成的单元叫做标记(token)，将文本分解成标记的过程叫做分词(tokenization)。本节介绍两种主要方法，对标记one-hot编码与标记嵌入（词嵌入word ...
基于神经网络的实时文本检测(自用 代码+注释)
weixin_47059239的博客
03-01 4101
环境：Pycharm + python3.7 + opencv 目录 1. 准备工作： 1.1 添加相关库 2. 主要代码 2.1 导入相关库 2.2导入数据图片及其标签，并检测是否导入成功 2.3 将数据及标签转换成numpy数组 2.4 拆分数据集(训练集，测试集，验证集) 2.5 绘制柱状图 2.6 对图片进行预处理 2.7 定义模型 2.8 训练模型 2.8 保存模型文件以便下次使用 2.9 应用模型 3 总结 1. 准备工作： 1.1 添加相关库 nu..
使用keras的LSTM模型多变量时间序列预测2020年5G市场
George2000的博客
07-08 2583
各区域5G市场及无线整体市场规模预测 数据预处理 数据预处理：缺失值采用前后4个数字的平均值；子市场规模之和不等于整体市场规模时以子市场之和为准 建模过程： 第一次引进sklearn.preprocessing.PolynomialFeatures,创建多项式回归模型，拟合5G规模和年份的关系 第二次引进keras库中的LSTM模型预测时间序列数据 2020 Q1-Q4 各区域5G规模预测（单位：亿美元） 2020 Q1-Q4 各区域无线整体市场规模预测（单位：亿美元） 建立模型 我们所构建的LSTM网络主
Keras model.fit()参数详解
低头学习，抬头看路
03-14 2082
【代码】Keras model.fit()参数详解。
1.神经网络基础
乌龟慢慢爬
03-13 800
1.感知机就是一个很简单的模型，给定输入，输出0或12.多层感知机（MLP）网络是密集的（dense），意味着一个层中的每一个神经元都会与前一层的每个神经元相连接，并且连接到下一层中的所有神经元。3.训练感知机的问题以及应对之道我们希望我们的学习是一点一点进步的，而不是跳跃的，对于下面函数来说，它的输出有一个很大的跳跃，不能够逐步学习。所以我们需要一个函数，从0逐步变化到1，没有间断。从数学上讲，...
3.7 使用正则抑制过拟合
weixin_46994240的博客
04-01 671
正则化 L1 正则化 loss = s * abs(w1 + w2 + ...) + mse L2 正则化 loss = s *(w1**2 + w2**2 + ...) + mse import keras from keras import layers import pandas as pd import numpy as np import matplotlib.pyplot as plt from keras import regulari...
python save model_Python utils.save_model方法代码示例
weixin_39866646的博客
12-08 591
# 需要导入模块: import utils [as 别名]# 或者: from utils import save_model [as 别名]def nn_bow_model(x_train, y_train, x_test, y_test, results, mode,epochs=15, batch_size=32, hidden_units=50, save=False, plot_gra...
基于Keras+Flask的Mnist手写数字识别系统源码+项目说明(识别率95%+识别模型).zip
07-28
基于Keras+Flask的Mnist手写数字识别系统源码+项目说明(识别率95%+识别模型).zip 【资源介绍】 注释掉 app.py 中 使用 redis 记录访问次数的功能 主要是这个方法的使用与引用 get_visit_info() （如果你有 redis ...
基于深度学习resnet50的垃圾图像识别 完整代码+数据 毕业设计 可直接运行
03-14
文件夹theory记录了我在本次深度学习中收获的笔记，与模型训练的控制台打印信息 迁移学习需要的初始权重与模型定义文件resnet50.py放在model下 训练运行trainNet.py，训练结束会创建models文件夹，并将结果权重gar
基于深度学习给特斯拉汽车学习端对端的自动驾驶，训练模型根据车辆的前置相机所拍摄的路况图像，实现对车辆转向角度的预测.zip
最新发布
01-12
【资源说明】 ...基于深度学习给特斯拉汽车学习端对端的自动驾驶，训练模型根据车辆的前置相机所拍摄的路况图像，实现对车辆转向角度的预测.zip # Deep Learning for Self-Driving Cars : DeepTesla ...
Keras中文手册
09-18
如果你已经基于Keras0.3编写了自己的层，那么在升级后，你需要为自己的代码做以下调整，以 在Keras1.0上继续运行。请参考编写自己的层 关于Keras-cn 本文档是Keras文档的中文版，包括keras.io的全部内容，以及更多的...
tensorflow加载模型并测试的方法
热门推荐
sjtuxx_lee的博客
09-12 6万+
利用tensorflow搭建模型并保存时，保存模型的方法为 saver = tf.train.Saver() saver.save(sess, model_path + model_name) 这样会在model_path路径下得到3个名为model_name的文件和一个checkpoint文件，例如，model_name=alexnet201809101818，则会得到如下四个文件 ...
Python list和numpy array的存储和读取方法
sjtuxx_lee的博客
04-25 4万+
numpy array存储为.npy 存储： import numpy as np numpy_array = np.array([1,2,3]) np.save('log.npy',numpy_array ) 读取： import numpy as np numpy_array = np.load('log.npy') 运行结果： list存储为.txt 存储： list...
tensorflow在函数中用tf.Print输出中间值的方法
sjtuxx_lee的博客
11-27 3万+
tensorflow由于其基于静态图的模式，导致写代码的时候很难调试，除了用官方的调试工具外，最直接的方法就是把中间结果输出出来查看，然而，直接用print函数只能输出tensor变量的形状，而不是数值，想要输出tensor的具体数值需要用tf.Print函数。网上有很多关于这个函数使用方法的说明，这里简要介绍： Print( input_, data, message=N...
pytorch criterion踩坑小结
sjtuxx_lee的博客
10-17 3万+
1. 数据类型不匹配： 报错：Expected object of type torch.LongTensor but found type torch.FloatTensor for argument #2 ‘target’ criterion = nn.CrossEntropyLoss() loss = criterion(y_pre, y_train) 这里的y_train类型一定要是Lo...
keras保存和加载模型的方法
sjtuxx_lee的博客
05-21 2万+
keras模型主要分为model和weight两个部分，前者保存整个模型结构，后者仅保存权值 保存模型 仅保存权重 HDF5文件 model.save_weights("model.h5") 保存整个模型及结构 model.save('model_weight.h5') 加载模型 载入权重 from keras.models import load_mo...
基于Keras建立深度神经网络，为葡萄酒数据集训练分类器，比较不同规模神经网络模型的参数个数、训练时间和分类性能。
05-31
好的，您的问题是关于基于Keras建立深度神经网络，为葡萄酒数据集训练分类器，比较不同规模神经网络模型的参数个数、训练时间和分类性能。 首先，需要明确一下问题中提到的葡萄酒数据集是指哪个数据集，这里假设您指的是UCI机器学习库中的葡萄酒数据集。 接下来，我们需要确定神经网络模型的规模，可以选择不同的层数、每层神经元的个数等。在这里，我们选择了三个不同规模的神经网络模型来进行比较，分别是小规模、中规模和大规模的神经网络模型。 以下是具体实现步骤： 1. 加载数据集 使用Keras的内置方法加载葡萄酒数据集，包括训练集和测试集。代码如下： ```python from keras.datasets import wine (x_train, y_train), (x_test, y_test) = wine.load_data() ``` 2. 数据预处理 对数据进行预处理，包括归一化、转换为独热编码等操作。代码如下： ```python from keras.utils import to_categorical from sklearn.preprocessing import StandardScaler scaler = StandardScaler().fit(x_train) x_train = scaler.transform(x_train) x_test = scaler.transform(x_test) y_train = to_categorical(y_train, num_classes=3) y_test = to_categorical(y_test, num_classes=3) ``` 3. 构建神经网络模型 我们分别构建了三个不同规模的神经网络模型，分别是小规模、中规模和大规模的神经网络模型。其中，小规模的神经网络模型包含一个隐藏层，中规模的神经网络模型包含两个隐藏层，大规模的神经网络模型包含三个隐藏层。 ```python from keras.models import Sequential from keras.layers import Dense # 小规模神经网络模型 model_small = Sequential() model_small.add(Dense(8, input_dim=13, activation='relu')) model_small.add(Dense(3, activation='softmax')) model_small.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) # 中规模神经网络模型 model_medium = Sequential() model_medium.add(Dense(16, input_dim=13, activation='relu')) model_medium.add(Dense(8, activation='relu')) model_medium.add(Dense(3, activation='softmax')) model_medium.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) # 大规模神经网络模型 model_large = Sequential() model_large.add(Dense(32, input_dim=13, activation='relu')) model_large.add(Dense(16, activation='relu')) model_large.add(Dense(8, activation='relu')) model_large.add(Dense(3, activation='softmax')) model_large.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) ``` 4. 训练模型 分别使用三个不同规模的神经网络模型在训练集上进行训练，并记录训练时间和模型参数个数。 ```python import time # 小规模神经网络模型 start_time = time.time() model_small.fit(x_train, y_train, epochs=50, batch_size=32, validation_data=(x_test, y_test)) end_time = time.time() print('小规模神经网络模型：') print('训练时间：', end_time - start_time) print('模型参数个数：', model_small.count_params()) # 中规模神经网络模型 start_time = time.time() model_medium.fit(x_train, y_train, epochs=50, batch_size=32, validation_data=(x_test, y_test)) end_time = time.time() print('中规模神经网络模型：') print('训练时间：', end_time - start_time) print('模型参数个数：', model_medium.count_params()) # 大规模神经网络模型 start_time = time.time() model_large.fit(x_train, y_train, epochs=50, batch_size=32, validation_data=(x_test, y_test)) end_time = time.time() print('大规模神经网络模型：') print('训练时间：', end_time - start_time) print('模型参数个数：', model_large.count_params()) ``` 5. 评估模型 使用测试集对训练好的模型进行评估，得到分类性能。 ```python # 小规模神经网络模型 loss, accuracy = model_small.evaluate(x_test, y_test) print('小规模神经网络模型：') print('测试集损失：', loss) print('测试集准确率：', accuracy) # 中规模神经网络模型 loss, accuracy = model_medium.evaluate(x_test, y_test) print('中规模神经网络模型：') print('测试集损失：', loss) print('测试集准确率：', accuracy) # 大规模神经网络模型 loss, accuracy = model_large.evaluate(x_test, y_test) print('大规模神经网络模型：') print('测试集损失：', loss) print('测试集准确率：', accuracy) ``` 通过比较不同规模的神经网络模型的参数个数、训练时间和分类性能，可以得到不同规模神经网络模型的优缺点。小规模神经网络模型参数较少，训练速度较快，但分类性能较差；大规模神经网络模型参数较多，训练速度较慢，但分类性能较好。根据具体应用场景的需求，选择合适规模的神经网络模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值