模型训练过程初步可视化

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=optimizer, metrics=['accuracy'])

    return model

#构建模型
model = create_model()
history = model.fit(x,Y_labels, validation_split=0.2, epochs=200, batch_size=5, verbose=0)
#评估模型
scores = model.evaluate(x,Y_labels,verbose=0)
print('%s: %.2f%%' % (model.metrics_names[1], scores[1]*100))

#history列表
print(history.history.keys())
#accuracy的历史
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.xlabel('epoch')
plt.ylabel('accuracy')
plt.legend(['train', 'validation'], loc='upper left')
plt.show()

#loss的历史
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.xlabel('epoch')
plt.ylabel('loss')
plt.legend(['train', 'validation'], loc='upper left')
plt.show()

输出结果为：

acc: 92.67%
dict_keys(['val_acc', 'acc', 'loss', 'val_loss'])