快捷導(dǎo)航

keras回調(diào)函數(shù)的使用

更新時(shí)間：2023年03月13日 10:13:38 作者：辛勤的小碼農(nóng)^_^

本文主要介紹了keras回調(diào)函數(shù)的使用，文中通過(guò)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，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

回調(diào)函數(shù)

回調(diào)函數(shù)是一個(gè)對(duì)象（實(shí)現(xiàn)了特定方法的類實(shí)例），它在調(diào)用fit()時(shí)被傳入模型，并在訓(xùn)練過(guò)程中的不同時(shí)間點(diǎn)被模型調(diào)用
可以訪問(wèn)關(guān)于模型狀態(tài)與模型性能的所有可用數(shù)據(jù)
模型檢查點(diǎn)（model checkpointing）：在訓(xùn)練過(guò)程中的不同時(shí)間點(diǎn)保存模型的當(dāng)前狀態(tài)。
提前終止（early stopping）：如果驗(yàn)證損失不再改善，則中斷訓(xùn)練（當(dāng)然，同時(shí)保存在訓(xùn)練過(guò)程中的最佳模型）。
在訓(xùn)練過(guò)程中動(dòng)態(tài)調(diào)節(jié)某些參數(shù)值：比如調(diào)節(jié)優(yōu)化器的學(xué)習(xí)率。
在訓(xùn)練過(guò)程中記錄訓(xùn)練指標(biāo)和驗(yàn)證指標(biāo)，或者將模型學(xué)到的表示可視化（這些表示在不斷更新）：fit()進(jìn)度條實(shí)際上就是一個(gè)回調(diào)函數(shù)。

fit()方法中使用callbacks參數(shù)

# 這里有兩個(gè)callback函數(shù)：早停和模型檢查點(diǎn)
callbacks_list=[
    keras.callbacks.EarlyStopping(
        monitor="val_accuracy",#監(jiān)控指標(biāo)
        patience=2 #兩輪內(nèi)不再改善中斷訓(xùn)練
    ),
    keras.callbacks.ModelCheckpoint(
        filepath="checkpoint_path",
        monitor="val_loss",
        save_best_only=True
    )
]
#模型獲取
model=get_minist_model()
model.compile(optimizer="rmsprop",
             loss="sparse_categorical_crossentropy",
             metrics=["accuracy"])

model.fit(train_images,train_labels,
         epochs=10,callbacks=callbacks_list, #該參數(shù)使用回調(diào)函數(shù)
         validation_data=(val_images,val_labels))

test_metrics=model.evaluate(test_images,test_labels)#計(jì)算模型在新數(shù)據(jù)上的損失和指標(biāo)
predictions=model.predict(test_images)#計(jì)算模型在新數(shù)據(jù)上的分類概率

訓(xùn)練結(jié)果

模型的保存和加載

#也可以在訓(xùn)練完成后手動(dòng)保存模型，只需調(diào)用model.save('my_checkpoint_path')。
#重新加載模型
model_new=keras.models.load_model("checkpoint_path.keras")

通過(guò)對(duì)Callback類子類化來(lái)創(chuàng)建自定義回調(diào)函數(shù)

on_epoch_begin(epoch, logs) ←----在每輪開(kāi)始時(shí)被調(diào)用
on_epoch_end(epoch, logs) ←----在每輪結(jié)束時(shí)被調(diào)用
on_batch_begin(batch, logs) ←----在處理每個(gè)批量之前被調(diào)用
on_batch_end(batch, logs) ←----在處理每個(gè)批量之后被調(diào)用
on_train_begin(logs) ←----在訓(xùn)練開(kāi)始時(shí)被調(diào)用
on_train_end(logs ←----在訓(xùn)練結(jié)束時(shí)被調(diào)用

from matplotlib import pyplot as plt
# 實(shí)現(xiàn)記錄每一輪中每個(gè)batch訓(xùn)練后的損失，并為每個(gè)epoch繪制一個(gè)圖
class LossHistory(keras.callbacks.Callback):
    def on_train_begin(self, logs):
        self.per_batch_losses = []

    def on_batch_end(self, batch, logs):
        self.per_batch_losses.append(logs.get("loss"))

    def on_epoch_end(self, epoch, logs):
        plt.clf()
        plt.plot(range(len(self.per_batch_losses)), self.per_batch_losses,
                 label="Training loss for each batch")
        plt.xlabel(f"Batch (epoch {epoch})")
        plt.ylabel("Loss")
        plt.legend()
        plt.savefig(f"plot_at_epoch_{epoch}")
        self.per_batch_losses = [] #清空，方便下一輪的技術(shù)

model = get_mnist_model()
model.compile(optimizer="rmsprop",
              loss="sparse_categorical_crossentropy",
              metrics=["accuracy"])
model.fit(train_images, train_labels,
          epochs=10,
          callbacks=[LossHistory()],
          validation_data=(val_images, val_labels))

在這里插入圖片描述

【其他】模型的定義和數(shù)據(jù)加載

def get_minist_model():
    inputs=keras.Input(shape=(28*28,))
    features=layers.Dense(512,activation="relu")(inputs)
    features=layers.Dropout(0.5)(features)
    outputs=layers.Dense(10,activation="softmax")(features)
    model=keras.Model(inputs,outputs)
    return model
    
#datset
from tensorflow.keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels)=mnist.load_data()
train_images=train_images.reshape((60000,28*28)).astype("float32")/255
test_images=test_images.reshape((10000,28*28)).astype("float32")/255
train_images,val_images=train_images[10000:],train_images[:10000]
train_labels,val_labels=train_labels[10000:],train_labels[:10000]

到此這篇關(guān)于keras回調(diào)函數(shù)的使用的文章就介紹到這了,更多相關(guān)keras回調(diào)函數(shù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: