模型训练过程初步可视化

最新推荐文章于 2025-11-07 15:56:18 发布

原创

最新推荐文章于 2025-11-07 15:56:18 发布 · 4.4k 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#Keras #深度学习

本文介绍了在深度学习模型训练过程中，如何利用Keras的History回调进行训练历史记录。该回调方法详细记录每个epoch的损失、准确度等指标，并且可以通过fit()函数的返回值访问这些信息，便于理解模型的训练过程。

在训练深度学习模型时，Keras提供了对训练历史的默认回调方法——History回调。它记录了每个epoch的训练指标，包括有损失、准确度（分类问题），以及评估数据集的损失和准确度（这需要设置）。训练过程中的信息可以从训练模型的fit()函数的返回值获取。度量标准存储在返回对象的历史成员的字典中。

"""将模型训练过程可视化"""
from keras.models import Sequential
from keras.layers import Dense
from sklearn import datasets
from keras.utils import to_categorical
from matplotlib import pyplot as plt
import numpy as np

#导入数据
dataset = datasets.load_iris()

x = dataset.data
Y = dataset.target

#将标签转换为分类编码
Y_labels = to_categorical(Y, num_classes=3)

#随机种子
seed = 7
np.random.seed(seed)

#构建模型函数
def create_model(optimizer='rmsprop', init='glorot_uniform'):
    #构建模型
    model = Sequential()
    model.add(Dense(units=4, activation='relu', input_dim=4,kernel_initializer=init))
    model.add(Dense(units=6, activation='relu', kernel_initializer=init))
    model.add(Dense(units=3, activation='softmax', kernel_initializer=init))
    #编译模型
    model.compile(loss='categorical_crossentropy', optimizer=opti