神经网络loss与acc 绘图 方法plot

import matplotlib.pyplot as plt
losses = history.history['loss']
val_losses = history.history['val_loss']
acc = history.history['acc']
val_acc = history.history['val_acc']
plt.figure(figsize=(12, 6))
plt.subplot(121)
plt.xlabel('fit_nums')
plt.ylabel('losses')
plt.plot(losses,'b-')
plt.plot(val_losses,'b--')
plt.subplot(122)
plt.xlabel('fit_nums')
plt.ylabel('acc')
plt.plot(acc, 'b-', label='acc')
plt.plot(val_acc, 'b--', label = 'val_acc')
plt.legend()
plt.show()
history.history

在这里插入图片描述

### 使用 Matplotlib 进行卷积神经网络结果和结构的可视化 #### 绘制训练过程中的准确率 (Acc) 和损失值 (Loss) 通过 `matplotlib.pyplot`,可以方便地绘制卷积神经网络在训练过程中产生的准确率 (`acc`) 和损失值 (`loss`) 曲线。这有助于分析模型的学习行为以及是否存在过拟合等问题。 以下是实现该功能的一个典型代码示例: ```python import matplotlib.pyplot as plt def plot_training_history(history): """ 可视化训练历史记录中的 accloss 数据。 :param history: Keras 的 fit 方法返回的历史对象 """ # 提取数据 acc = history.history['accuracy'] val_acc = history.history['val_accuracy'] loss = history.history['loss'] val_loss = history.history['val_loss'] epochs_range = range(len(acc)) # 创建子图 plt.figure(figsize=(12, 6)) # 绘制 Acc 图形 plt.subplot(1, 2, 1) plt.plot(epochs_range, acc, 'b-', label='Training Accuracy') # 蓝色线条表示训练集上的准确率 plt.plot(epochs_range, val_acc, 'r--', label='Validation Accuracy') # 红色虚线表示验证集上的准确率 plt.legend(loc='lower right') plt.title('Training and Validation Accuracy') # 绘制 Loss 图形 plt.subplot(1, 2, 2) plt.plot(epochs_range, loss, 'g-', label='Training Loss') # 绿色线条表示训练集上的损失值 plt.plot(epochs_range, val_loss, 'm--', label='Validation Loss') # 洋红色虚线表示验证集上的损失值 plt.legend(loc='upper right') plt.title('Training and Validation Loss') # 显示图形 plt.show() ``` 上述函数利用了 `plt.plot()` 来分别绘制训练集和验证集上的准确率损失值变化趋势[^1]。 --- #### 可视化特定层的激活模式 对于卷积神经网络而言,还可以使用 `matplotlib.pyplot` 来展示某一层(例如某个卷积层)的特征图或激活模式。这种技术可以帮助理解 CNN 是如何提取图像特征的。 下面是一个例子,展示了如何生成并显示某一卷积层的激活图案: ```python from keras.applications.vgg16 import VGG16 from vis.utils import utils from tensorflow.keras import backend as K import numpy as np def generate_pattern(layer_name, filter_index, model): """ 生成指定层中滤波器的最大响应输入图案。 :param layer_name: 层名称 :param filter_index: 滤波器索引 :param model: 卷积神经网络模型 """ layer_output = model.get_layer(layer_name).output loss = K.mean(layer_output[:, :, :, filter_index]) grads = K.gradients(loss, model.input)[0] grads /= (K.sqrt(K.mean(K.square(grads))) + 1e-5) iterate = K.function([model.input], [loss, grads]) input_img_data = np.random.random((1, 150, 150, 3)) * 20 + 128. step = 1. for i in range(40): loss_value, grads_value = iterate([input_img_data]) input_img_data += grads_value * step img = input_img_data[0] return deprocess_image(img) def deprocess_image(x): """ 将张量转换回有效图像 """ x -= x.mean() x /= (x.std() + 1e-5) x *= 0.1 x += 0.5 x = np.clip(x, 0, 1) x *= 255 x = np.clip(x, 0, 255).astype('uint8') return x # 加载预定义模型 model = VGG16(weights='imagenet', include_top=False) # 可视化 block3_conv1 中第 0 个滤波器的激活图案 pattern = generate_pattern('block3_conv1', 0, model) # 使用 Matplotlib 显示图案 plt.figure(figsize=(10, 10)) plt.imshow(pattern) plt.axis('off') # 隐藏坐标轴 plt.show() ``` 此部分代码基于梯度上升方法来优化输入图像,使其最大化目标滤波器的响应强度,并最终用 `plt.imshow()` 呈现结果[^2]。 --- #### 总结 Matplotlib 是 Python 生态中最强大的绘图工具之一,在卷积神经网络领域可用于多种类型的可视化任务,包括但不限于训练指标曲线、特征图、权重分布等。这些可视化的应用能够帮助研究人员更好地理解和调试他们的模型性能。
评论
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

打赏作者

东哥aigc

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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