使用Keras画神经网络准确性图教程
更新时间：2020年06月15日 15:08:39 作者：ZJE_ANDY
这篇文章主要介绍了使用Keras画神经网络准确性图教程，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
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
以上这篇使用Keras画神经网络准确性图教程就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
相关文章
这篇文章主要介绍了Python使用flask框架操作sqlite3的两种方式,结合实例形式分析了Python基于flask框架操作sqlite3数据库的两种常用操作技巧,需要的朋友可以参考下2018-01-01
这篇文章主要介绍了在Django的模型中执行原始SQL查询的方法,Django是最具人气的Python web开发框架,需要的朋友可以参考下2015-07-07
这篇文章主要为大家详细介绍了如何利用Python实现给指定的图片添加标签，文中的示例代码讲解详细，具有一定的学习价值，需要的可以参考一下2023-07-07
dwebsocket是Python中一款用于实现WebSocket协议的库，可用于后端数据实时刷新。在Django中结合使用dwebsocket和Channels，可以实现前后端的实时通信，支持双向数据传输和消息推送，适用于实时聊天、数据监控、在线游戏等场景2023-04-04
这篇文章主要介绍了Python爬虫 批量爬取下载抖音视频代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-08-08
这篇文章主要为大家介绍了利用Pytorch实现ResNet网络构建及模型训练详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2023-04-04
这篇文章主要介绍了django 模版关闭转义方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-05-05
这篇文章主要介绍了Python关于抽奖系统的思考与设计思路,本文通过一些简单的例子来说一说抽奖系统背后的逻辑,看看究竟是你运气不好还是系统逻辑在作怪,需要的朋友可以参考下2023-03-03
今天小编就为大家分享一篇关于Python形参打包与解包小技巧分享，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-08-08
在Python中有两种函数，一种是def定义的函数，另一种是lambda函数，也就是大家常说的匿名函数。这篇文章主要介绍了Python的Lambda函数用法,需要的朋友可以参考下2019-09-09
最新评论