tensorflow(13)----acc,loss可视化

你在训练的时候看到下面这样的图片是不是感觉不太直观

当迭代次数多的时候,前面的loss和accuracy与后面的交织在一起,变化变得不那么直观,看起来会比较麻烦

那咱把这东西整成图不就好了,loss变成啥样,accuracy咋变的,一目了然,开整!

 

# history=model.fit(训练集数据,训练集标签,batch_size=,epochs=,validation_split=用作测试数据的比例,validation_data=测试集,
# validation_freq=测试频率)
# history:
#   训练集loss:loss
#   测试集loss:val_loss
#   训练集准确率:sparse_categorical_accuracy
#   测试集准确率:val_sparse_categorical_accuracy
import tensorflow as tf
import os
from tensorflow import keras
import matplotlib.pyplot as plt
import numpy as np

np.set_printoptions(threshold=np.inf)
mnist = keras.datasets.mnist
(x_train,y_train),(x_test,y_test) = mnist.load_data()
x_train,x_test = x_train/255,x_test/255

model = keras.models.Sequential([
    keras.layers.Flatten(),
    keras.layers.Dense(128,activation='relu'),
    keras.layers.Dense(10,activ
### TensorFlow-GPU 模型训练教程 #### 安装环境配置 为了使用 `tensorflow-gpu` 进行模型训练,首先需要确保已经成功安装了支持 GPU 的 TensorFlow 版本。可以通过如下命令来完成安装: ```bash pip install tensorflow-gpu ``` 验证安装是否成功的常用方法是在 Python 解释器中导入 TensorFlow 并打印版本号[^1]。 #### 创建虚拟环境并激活 建议创建一个新的 Anaconda 虚拟环境来进行项目开发。这有助于隔离不同项目的依赖关系,避免冲突。具体操作可以参考以下步骤,在 Windows 上通过 Anaconda Navigator 或者命令提示符进行设置[^2]。 #### 准备数据集 对于大多数机器学习任务来说,准备合适的数据集是非常重要的一步。这里假设已经有了一个可用的数据集用于训练。如果还没有准备好,则可以从公开资源获取或者自己构建。 #### 编写简单的神经网络模型 下面展示了一个基于 Keras API 构建简单卷积神经网络的例子,该例子适用于图像分类问题。此代码片段展示了如何定义、编译评估一个基本的 CNN 模型结构。 ```python import tensorflow as tf from tensorflow.keras import layers, models # 加载预处理后的 MNIST 数据集作为示例 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), layers.Dense(128, activation='relu'), layers.Dropout(0.2), layers.Dense(10) ]) loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True) model.compile(optimizer='adam', loss=loss_fn, metrics=['accuracy']) history = model.fit(x_train, y_train, epochs=5, validation_split=0.2) test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print('\nTest accuracy:', test_acc) ``` 这段代码实现了对MNIST手写字体识别的任务,并利用GPU加速计算过程。当硬件条件允许时,TensorFlow会自动检测到已安装的CUDA工具链并将部分运算卸载给GPU执行。 #### 使用 TensorBoard 可视化训练进度 TensorFlow 提供了强大的可视化工具——TensorBoard 来帮助开发者监控模型的表现情况。只需要几行额外的代码就可以启用这项功能。 ```python log_dir="logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S") tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, histogram_freq=1) model.fit( ... callbacks=[tensorboard_callback], ... ) ``` 启动 TensorBoard 后可以在浏览器端查看详细的图表信息,这对于调试优化非常有帮助。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值