最新下载
热门教程
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
如何使用Keras画神经网络准确性图 使用Keras画神经网络准确性图代码实例
时间:2020-06-15 编辑:袖梨 来源:一聚教程网
如何使用Keras画神经网络准确性图?本篇文章小编给大家分享一下使用Keras画神经网络准确性图代码实例,小编觉得挺不错的,现在分享给大家供大家参考,有需要的小伙伴们可以来看看。
1.在搭建网络开始时,会调用到 keras.models的Sequential()方法,返回一个model参数表示模型
2.model参数里面有个fit()方法,用于把训练集传进网络。fit()返回一个参数,该参数包含训练集和验证集的准确性acc和错误值loss,用这些数据画成图表即可。
如:
history=model.fit(x_train, y_train, batch_size=32, epochs=5, validation_split=0.25) #获取数据 #########画图 acc = history.history['acc'] #获取训练集准确性数据 val_acc = history.history['val_acc'] #获取验证集准确性数据 loss = history.history['loss'] #获取训练集错误值数据 val_loss = history.history['val_loss'] #获取验证集错误值数据 epochs = range(1,len(acc)+1) plt.plot(epochs,acc,'bo',label='Trainning acc') #以epochs为横坐标,以训练集准确性为纵坐标 plt.plot(epochs,val_acc,'b',label='Vaildation acc') #以epochs为横坐标,以验证集准确性为纵坐标 plt.legend() #绘制图例,即标明图中的线段代表何种含义 plt.figure() #创建一个新的图表 plt.plot(epochs,loss,'bo',label='Trainning loss') plt.plot(epochs,val_loss,'b',label='Vaildation loss') plt.legend() ##绘制图例,即标明图中的线段代表何种含义 plt.show() #显示所有图表
得到效果:
完整代码:
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']) #随机梯度下降 history=model.fit(x_train, y_train, batch_size=32, epochs=5, validation_split=0.25) #获取数据 #########画图 acc = history.history['acc'] #获取训练集准确性数据 val_acc = history.history['val_acc'] #获取验证集准确性数据 loss = history.history['loss'] #获取训练集错误值数据 val_loss = history.history['val_loss'] #获取验证集错误值数据 epochs = range(1,len(acc)+1) plt.plot(epochs,acc,'bo',label='Trainning acc') #以epochs为横坐标,以训练集准确性为纵坐标 plt.plot(epochs,val_acc,'b',label='Vaildation acc') #以epochs为横坐标,以验证集准确性为纵坐标 plt.legend() #绘制图例,即标明图中的线段代表何种含义 plt.figure() #创建一个新的图表 plt.plot(epochs,loss,'bo',label='Trainning loss') plt.plot(epochs,val_loss,'b',label='Vaildation loss') plt.legend() ##绘制图例,即标明图中的线段代表何种含义
相关文章
- Golang ProtoBuf的基本语法详解 10-20
- Python识别MySQL中的冗余索引解析 10-20
- Python+Pygame绘制小球代码展示 10-18
- Python中的数据精度问题介绍 10-18
- Python随机值生成的常用方法介绍 10-18
- python3解压缩.gz文件分析 09-27