使用Keras畫神經(jīng)網(wǎng)絡準確性圖教程

更新時間：2020年06月15日 15:08:39 作者：ZJE_ANDY

這篇文章主要介紹了使用Keras畫神經(jīng)網(wǎng)絡準確性圖教程，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

1.在搭建網(wǎng)絡開始時，會調用到 keras.models的Sequential()方法，返回一個model參數(shù)表示模型

2.model參數(shù)里面有個fit()方法，用于把訓練集傳進網(wǎng)絡。fit()返回一個參數(shù)，該參數(shù)包含訓練集和驗證集的準確性acc和錯誤值loss，用這些數(shù)據(jù)畫成圖表即可。

如：

history=model.fit(x_train, y_train, batch_size=32, epochs=5, validation_split=0.25) #獲取數(shù)據(jù)
 
#########畫圖
acc = history.history['acc']  #獲取訓練集準確性數(shù)據(jù)
val_acc = history.history['val_acc'] #獲取驗證集準確性數(shù)據(jù)
loss = history.history['loss']   #獲取訓練集錯誤值數(shù)據(jù)
val_loss = history.history['val_loss'] #獲取驗證集錯誤值數(shù)據(jù)
epochs = range(1,len(acc)+1)
plt.plot(epochs,acc,'bo',label='Trainning acc')  #以epochs為橫坐標，以訓練集準確性為縱坐標
plt.plot(epochs,val_acc,'b',label='Vaildation acc') #以epochs為橫坐標，以驗證集準確性為縱坐標
plt.legend() #繪制圖例，即標明圖中的線段代表何種含義
 
plt.figure() #創(chuàng)建一個新的圖表
plt.plot(epochs,loss,'bo',label='Trainning loss')
plt.plot(epochs,val_loss,'b',label='Vaildation loss')
plt.legend() ##繪制圖例，即標明圖中的線段代表何種含義
 
plt.show() #顯示所有圖表

得到效果：

完整代碼：

import keras
from keras.datasets import mnist
from keras.layers import Conv2D, MaxPool2D, Dense, Flatten,Dropout
from keras.models import Sequential
import matplotlib.pyplot as plt
 
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(-1, 28, 28, 1)
x_test = x_test.reshape(-1, 28, 28, 1)
x_train = x_train / 255.
x_test = x_test / 255.
 
y_train = keras.utils.to_categorical(y_train)
y_test = keras.utils.to_categorical(y_test)
 
model = Sequential()
model.add(Conv2D(20,(5,5),strides=(1,1),input_shape=(28,28,1),padding='valid',activation='relu',kernel_initializer='uniform'))
model.add(MaxPool2D(pool_size=(2,2),strides=(2,2)))
model.add(Conv2D(64,(5,5),strides=(1,1),padding='valid',activation='relu',kernel_initializer='uniform'))
model.add(MaxPool2D(pool_size=(2,2),strides=(2,2)))
model.add(Flatten())
model.add(Dense(500,activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10,activation='softmax'))
model.compile('sgd', loss='categorical_crossentropy', metrics=['accuracy']) #隨機梯度下降
 
history=model.fit(x_train, y_train, batch_size=32, epochs=5, validation_split=0.25) #獲取數(shù)據(jù)
 
#########畫圖
acc = history.history['acc']  #獲取訓練集準確性數(shù)據(jù)
val_acc = history.history['val_acc'] #獲取驗證集準確性數(shù)據(jù)
loss = history.history['loss']   #獲取訓練集錯誤值數(shù)據(jù)
val_loss = history.history['val_loss'] #獲取驗證集錯誤值數(shù)據(jù)
epochs = range(1,len(acc)+1)
plt.plot(epochs,acc,'bo',label='Trainning acc')  #以epochs為橫坐標，以訓練集準確性為縱坐標
plt.plot(epochs,val_acc,'b',label='Vaildation acc') #以epochs為橫坐標，以驗證集準確性為縱坐標
plt.legend() #繪制圖例，即標明圖中的線段代表何種含義
 
plt.figure() #創(chuàng)建一個新的圖表
plt.plot(epochs,loss,'bo',label='Trainning loss')
plt.plot(epochs,val_loss,'b',label='Vaildation loss')
plt.legend() ##繪制圖例，即標明圖中的線段代表何種含義

以上這篇使用Keras畫神經(jīng)網(wǎng)絡準確性圖教程就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: