TensorFlow繪制loss/accuracy曲線的實(shí)例
更新時(shí)間：2020年01月21日 15:12:56 作者：The_Thinker_QChen
今天小編就為大家分享一篇TensorFlow繪制loss/accuracy曲線的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧
1. 多曲線
1.1 使用pyplot方式
import numpy as np import matplotlib.pyplot as plt x = np.arange(1, 11, 1) plt.plot(x, x * 2, label="First") plt.plot(x, x * 3, label="Second") plt.plot(x, x * 4, label="Third") plt.legend(loc=0, ncol=1) # 參數(shù)：loc設(shè)置顯示的位置，0是自適應(yīng)；ncol設(shè)置顯示的列數(shù) plt.show()
1.2 使用面向?qū)ο蠓绞?/strong>
import numpy as np import matplotlib.pyplot as plt x = np.arange(1, 11, 1) fig = plt.figure() ax = fig.add_subplot(111) ax.plot(x, x * 2, label="First") ax.plot(x, x * 3, label="Second") ax.legend(loc=0) # ax.plot(x, x * 2) # ax.legend([”Demo“], loc=0) plt.show()
2. 雙y軸曲線
雙y軸曲線圖例合并是一個(gè)棘手的操作，現(xiàn)以MNIST案例中l(wèi)oss/accuracy繪制曲線。
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import time
import matplotlib.pyplot as plt
import numpy as np
x_data = tf.placeholder(tf.float32, [None, 784])
y_data = tf.placeholder(tf.float32, [None, 10])
x_image = tf.reshape(x_data, [-1, 28, 28, 1])
# convolve layer 1
filter1 = tf.Variable(tf.truncated_normal([5, 5, 1, 6]))
bias1 = tf.Variable(tf.truncated_normal([6]))
conv1 = tf.nn.conv2d(x_image, filter1, strides=[1, 1, 1, 1], padding='SAME')
h_conv1 = tf.nn.sigmoid(conv1 + bias1)
maxPool2 = tf.nn.max_pool(h_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# convolve layer 2
filter2 = tf.Variable(tf.truncated_normal([5, 5, 6, 16]))
bias2 = tf.Variable(tf.truncated_normal([16]))
conv2 = tf.nn.conv2d(maxPool2, filter2, strides=[1, 1, 1, 1], padding='SAME')
h_conv2 = tf.nn.sigmoid(conv2 + bias2)
maxPool3 = tf.nn.max_pool(h_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# convolve layer 3
filter3 = tf.Variable(tf.truncated_normal([5, 5, 16, 120]))
bias3 = tf.Variable(tf.truncated_normal([120]))
conv3 = tf.nn.conv2d(maxPool3, filter3, strides=[1, 1, 1, 1], padding='SAME')
h_conv3 = tf.nn.sigmoid(conv3 + bias3)
# full connection layer 1
W_fc1 = tf.Variable(tf.truncated_normal([7 * 7 * 120, 80]))
b_fc1 = tf.Variable(tf.truncated_normal([80]))
h_pool2_flat = tf.reshape(h_conv3, [-1, 7 * 7 * 120])
h_fc1 = tf.nn.sigmoid(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# full connection layer 2
W_fc2 = tf.Variable(tf.truncated_normal([80, 10]))
b_fc2 = tf.Variable(tf.truncated_normal([10]))
y_model = tf.nn.softmax(tf.matmul(h_fc1, W_fc2) + b_fc2)
cross_entropy = - tf.reduce_sum(y_data * tf.log(y_model))
train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy)
sess = tf.InteractiveSession()
correct_prediction = tf.equal(tf.argmax(y_data, 1), tf.argmax(y_model, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
sess.run(tf.global_variables_initializer())
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
fig_loss = np.zeros([1000])
fig_accuracy = np.zeros([1000])
start_time = time.time()
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(200)
if i % 100 == 0:
train_accuracy = sess.run(accuracy, feed_dict={x_data: batch_xs, y_data: batch_ys})
print("step %d, train accuracy %g" % (i, train_accuracy))
end_time = time.time()
print("time:", (end_time - start_time))
start_time = end_time
print("********************************")
train_step.run(feed_dict={x_data: batch_xs, y_data: batch_ys})
fig_loss[i] = sess.run(cross_entropy, feed_dict={x_data: batch_xs, y_data: batch_ys})
fig_accuracy[i] = sess.run(accuracy, feed_dict={x_data: batch_xs, y_data: batch_ys})
print("test accuracy %g" % sess.run(accuracy, feed_dict={x_data: mnist.test.images, y_data: mnist.test.labels}))
# 繪制曲線
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()
lns1 = ax1.plot(np.arange(1000), fig_loss, label="Loss")
# 按一定間隔顯示實(shí)現(xiàn)方法
# ax2.plot(200 * np.arange(len(fig_accuracy)), fig_accuracy, 'r')
lns2 = ax2.plot(np.arange(1000), fig_accuracy, 'r', label="Accuracy")
ax1.set_xlabel('iteration')
ax1.set_ylabel('training loss')
ax2.set_ylabel('training accuracy')
# 合并圖例
lns = lns1 + lns2
labels = ["Loss", "Accuracy"]
# labels = [l.get_label() for l in lns]
plt.legend(lns, labels, loc=7)
plt.show()
注：數(shù)據(jù)集保存在MNIST_data文件夾下
其實(shí)就是三步：
1）分別定義loss/accuracy一維數(shù)組
fig_loss = np.zeros([1000]) fig_accuracy = np.zeros([1000]) # 按間隔定義方式：fig_accuracy = np.zeros(int(np.ceil(iteration / interval)))
2）填充真實(shí)數(shù)據(jù)
fig_loss[i] = sess.run(cross_entropy, feed_dict={x_data: batch_xs, y_data: batch_ys})
fig_accuracy[i] = sess.run(accuracy, feed_dict={x_data: batch_xs, y_data: batch_ys})
3）繪制曲線
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()
lns1 = ax1.plot(np.arange(1000), fig_loss, label="Loss")
# 按一定間隔顯示實(shí)現(xiàn)方法
# ax2.plot(200 * np.arange(len(fig_accuracy)), fig_accuracy, 'r')
lns2 = ax2.plot(np.arange(1000), fig_accuracy, 'r', label="Accuracy")
ax1.set_xlabel('iteration')
ax1.set_ylabel('training loss')
ax2.set_ylabel('training accuracy')
# 合并圖例
lns = lns1 + lns2
labels = ["Loss", "Accuracy"]
# labels = [l.get_label() for l in lns]
plt.legend(lns, labels, loc=7)
以上這篇TensorFlow繪制loss/accuracy曲線的實(shí)例就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
Python基于tkinter模塊實(shí)現(xiàn)的改名小工具示例
這篇文章主要介紹了Python基于tkinter模塊實(shí)現(xiàn)的改名小工具,結(jié)合實(shí)例形式分析了tkinter模塊操作文件后綴名的相關(guān)實(shí)現(xiàn)技巧,需要的朋友可以參考下2017-07-07
python3利用venv配置虛擬環(huán)境及過程中的小問題小結(jié)
這篇文章主要介紹了python3利用venv配置虛擬環(huán)境及過程中的小問題小結(jié)，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2018-08-08
使用Python實(shí)現(xiàn)兩組數(shù)據(jù)縱向排序
在數(shù)據(jù)處理和分析中,排序是一項(xiàng)非?；A(chǔ)且重要的操作,本文將詳細(xì)介紹如何使用Python對(duì)兩組數(shù)據(jù)進(jìn)行縱向排序,即每一列分別進(jìn)行排序,同時(shí)保持?jǐn)?shù)據(jù)的對(duì)應(yīng)關(guān)系,需要的可以參考下2024-12-12
Python實(shí)現(xiàn)在數(shù)字中添加千位分隔符的方法小結(jié)
在數(shù)據(jù)處理和數(shù)據(jù)可視化中,經(jīng)常需要對(duì)大數(shù)值進(jìn)行格式化,其中一種常見的需求是在數(shù)字中添加千位分隔符,本文為大家整理了三種常見方法,希望對(duì)大家有所幫助2024-01-01
Python2及Python3如何實(shí)現(xiàn)兼容切換
這篇文章主要介紹了Python2及Python3如何實(shí)現(xiàn)兼容切換,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-09-09
Python圖像處理Pillow庫(kù)的基礎(chǔ)使用
Pillow庫(kù)是Python中最流行的圖像處理庫(kù)之一,它是PIL（Python Imaging Library）的一個(gè)分支,提供了豐富的圖像處理功能,使圖像處理變得簡(jiǎn)單而高效,在這篇文章中,我們將探討Pillow庫(kù)的一些基本功能,感興趣的朋友可以參考下2023-09-09
今天小編就為大家分享一篇Python Numpy,mask圖像的生成詳解，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-02-02
這篇文章主要介紹了Django實(shí)現(xiàn)跨域的2中方法,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-07-07
在編寫程序的過程中,經(jīng)常需要進(jìn)行格式化輸出,每次用每次查,干脆就在這里整理一下,下面這篇文章主要給大家介紹了關(guān)于python字符串格式化的相關(guān)資料,分別是%格式符和format方式,需要的朋友可以參考下2022-03-03
Python中DJANGO簡(jiǎn)單測(cè)試實(shí)例
這篇文章主要介紹了Python中DJANGO簡(jiǎn)單測(cè)試,實(shí)例分析了DJANGO的用法,具有一定參考借鑒價(jià)值,需要的朋友可以參考下2015-05-05