keras训练历史日志可视化方法

此部分可参考keras中文文档可视化部分
1.模型可视化 unet模型结构图效果如图：
使用方法：

from keras.utils import plot_model
plot_model(model, to_file='model.png')

其中参数model可由Model()函数返回 例如：

def unet(pretrained_weights = None,input_size = (256,256,3)):
    inputs = Input(input_size)
    #其他层
    conv10 = Conv2D(6, 1, activation = 'softmax')(conv9)
    model = Model(input = inputs, output = conv10)

也可由以下方式返回

model = Sequential()  
#model.add()
return model

2.训练历史可视化

（1） 采用History对象，model.fit()，model.fit_generator()都会返回此对象使用方法示例：

import matplotlib.pyplot as plt

history = model.fit(x, y, validation_split=0.25, epochs=50, batch_size=16, verbose=1)

# 绘制训练 & 验证的准确率值
plt.plot(history.history['accuracy'])#acc最新版keras已经无法使用
plt.plot(history.history['val_accuracy'])#val_acc最新版keras已经无法使用
plt.title('Model accuracy')#图名
plt.ylabel('Accuracy')#纵坐标名
plt.xlabel('Epoch')#横坐标名
plt.legend(['Train', 'Test'], loc='upper left')#角标及其位置
plt.show()
#如果不想画在同一副图上，可关闭再打开
# 绘制训练 & 验证的损失值
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper left')
plt.show()
#图像保存方法
plt.savefig('名称.png')

（2）保存History对象并重新绘制展示

#保存
with open('保存名称.txt', 'wb') as file_pi:
   pickle.dump(H.history, file_pi)
#读取并绘制
    with open('history/trainHistoryDict1.txt', 'rb') as file_pi:
        history = pickle.load(file_pi)
plt.style.use("ggplot")
plt.figure()
N = 16#训练轮数没否则会报错
plt.plot(np.arange(0, N), history["loss"], label="train_loss")
plt.plot(np.arange(0, N), history["val_loss"], label="val_loss")
plt.plot(np.arange(0, N), history["accuracy"], label="train_acc")
plt.plot(np.arange(0, N), history["val_accuracy"], label="val_acc")
plt.title("标题")
plt.xlabel("Epoch #")#横坐标名
plt.ylabel("Loss/Accuracy")#纵坐标名
plt.legend(loc="lower left")#角标位置
plt.show()

图示：（缺点只能获取每轮训练（batch）完毕的整体loss和acc，并不能获得每个epoch的loss和acc）

3.使用tensorbord工具 查看keras中文档
图示：（其可以记录batch_acc bach_loss epoch_acc,epoch_loss）

使用方法：

#定义回调函数列表
callbacks_list = [
        #早停回调keras.callbacks.EarlyStopping(monitor='val_accuracy', patience=4),
        #学习率调整回调keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=2, verbose=0, mode='auto',min_lr=0.000001),
        #Epoch结束回调LearningRateScheduler(scheduler, verbose=1),
        keras.callbacks.TensorBoard(log_dir='unetlogs',update_freq=1000)#参数分别为日志存储路径和每多少step进行一次记录，此处不应取太小，会拖慢训练过程
    ]
#再指定回调函数
model.fit_generator(#其他参数, callbacks=callbacks_list)

当训练结束后再pycharm Terminal下或anaconda命令行下虚拟环境里 使用命令：
注意，新版本日志目录可能不需要引号

tensorboard.exe --logdir=日志目录

根据提示浏览器输入地址：http://localhost:6006/