归一化处理操作，回调函数操作

归一化操作

#方法 x= (x-u)/std
之前我们的数据集是np.int形式，为了做除法，我们把它转换成float32

# x_train:[none,28,28]->[none,784]->[-1,28,28] 
#切记要转换回去！！！！！！！
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
x_train_scaled = scaler.fit_transform(x_train.astype(np.float32).reshape(-1,1))
x_train_scaled = x_train_scaled.reshape(-1, 28, 28)
x_valid_scaled = scaler.transform(x_valid.astype(np.float32).reshape(-1,1))
x_valid_scaled = x_valid_scaled.reshape(-1, 28, 28)
x_test_scaled = scaler.transform(x_test.astype(np.float32).reshape(-1,1))
x_test_scaled = x_test_scaled.reshape(-1, 28, 28)

这样我们就进行了归一化操作
验证一下，我们打印一下训练集中最大值和最小值

print(np.max(x_train_scaled),np.min(x_train_scaled))

之前是255和0
现在归一化后是

2.023144 -0.8105139

效果比之前好了一丢丢hhhhh

回调函数

回调函数是callbacks:
当我们训练模型时候，我们可能需要做一些事
如下
EarlyStopping：当模型训练期间loss不在下降的时候，可以提前停掉训练而不是经历所有遍历
ModelCheckpoint：模型每隔一段时间把训练状态以checkpoint保存下来
Tensorboard：可以出一个指标，随着训练过程中就能展示出来
对于tensorboard,我们需要的是一个文件夹，对于checkpoint,需要一个文件名

from tensorflow.keras.callbacks import TensorBoard
logdir = './ttt'
if not os.path.exists(logdir):
    os.mkdir(logdir)
output_model_file = os.path.join(logdir,"fashion_mnist_model.h5")

callbackslist=[keras.callbacks.TensorBoard(logdir),
               keras.callbacks.ModelCheckpoint(output_model_file,
                                               ave_best_only=True,
                                               save_weights_only=True
                                               ),
               keras.callbacks.EarlyStopping(patience=5, min_delta=1e-3),
               ]

history = model.fit(
    x_train_scaled, y_train,epochs=10,
    validation_data=(x_valid_scaled,y_valid),callbacks=callbackslist)

下面便是一个经常会出错的问题
有时候我们经常忘记指令是什么，打错便会提示：

后来看到网上教程，找到问题在哪，通过进入系统cmd命令后，先输入
tensorboard -logdir=log
这时候再找到刚才系统生成log文件的位置，复制下来，地址在代码里有所体现，logdir = ‘./graph_def_and_weights’
所以下一步就是在cmd命令行里输入：
tensorboard --logdir=C:\Users\asus\Desktop\pythonProject\ttt，然后就会跳出一个网址： http://localhost:6006/，相当于构建了一个个人服务器。

将网址输入到浏览器中，就会得到一个按照每次遍历迭代的准确率，loss等指标的图像

另一种方法就是，在pycharm中自带的terminal中输入
tensorboard --logdir=C:\Users\asus\Desktop\pythonProject\ttt
所得结果与cmd一致。