【4-网络八股扩展】北京大学TensorFlow2.0

2023-01-24 16:48 277人阅读评论(0)

课程地址：【北京大学】Tensorflow2.0_哔哩哔哩_bilibili

Python3.7和TensorFlow2.1

六讲：

神经网络计算：神经网络的计算过程，搭建第一个神经网络模型

神经网络优化：神经网络的优化方法，掌握学习率、激活函数、损失函数和正则化的使用，用Python语言写出SGD、Momentum、Adagrad、RMSProp、Adam五种反向传播优化器

神经网络八股：神经网络搭建八股，六步法写出手写数字识别训练模型

网络八股扩展：神经网络八股扩展，增加自制数据集、数据增强、断点续训、参数提取和acc/loss可视化，实现给图识物的应用程序

卷积神经网络：用基础CNN、LeNet、AlexNet、VGGNet、InceptionNet和ResNet实现图像识别

循环神经网络：用基础RNN、LSTM、GRU实现股票预测

上一讲：六步法搭建神经网络八股（tf.keras），使用MNIST数据集和FASHION数据集训练网络参数，提升识别准确率

import

train，test：需要引入训练集输入特征及标签，测试集输入特征及标签，都是用别人打包好的数据集，直接调用 .load_data() 函数实现加载


   
    
     
      
     
     
      
       mnist = tf.keras.datasets.mnist
      
     
    
     
      
     
     
      
       (x_train, y_train), (x_test, y_test) = mnist.load_data()

当使用自制数据集解决本领域应用时，怎么给x_train, y_train, x_test, y_test赋值

若数据量过小，模型泛化力弱，如何做数据增强，扩展数据，提高泛化力

Sequential / class


   
    
     
      
     
     
      
       model = tf.keras.models.Sequential()
      
     
    
     
      
     
     
      
       或
      
     
    
     
      
     
     
      
       class 
       MyModel(
       Model):
      
     
    
     
      
     
     
      
           ...
      
     
    
     
      
     
     
      
       model = Mymodel()   
       # 定义模型

model.compile 配置模型

model.fit 训练模型

若每次模型训练都从0开始，十分不划算 —— 断点续训，实时保存最优模型

model.summary

神经网络训练的目的就是获取各层网络最优的参数，只要拿到这些参数，可以在各个平台实现前向推理，复现出模型，实现应用的 —— 参数提取，把参数存入文本

acc和loss曲线可以见证模型的优化过程 —— acc/loss可视化，查看训练效果

前向推理实现应用：给图识物的应用程序，输入神经网络一组新的、从未见过的特征，输出预测结果

本讲：

自制数据集，解决本领域应用

数据增强，扩充数据集

断点续训，存取模型

参数提取，把参数存入文本

acc/loss可视化，查看训练效果

应用程序，实现给图识物

本讲所有代码baseline均为MNIST分类（Sequential版）的代码，5个epoch后最终测试集的损失为0.0813，准确率为97.53%。完整代码见：【3-神经网络八股】北京大学TensorFlow2.0 - CSDN

自制数据集，解决本领域应用

mnist_image_label文件夹：

下面代码只贴出相比baseline改动的部分：


   
    
     
      
     
     
      
       # PIL是Python中常用的图像处理库，提供了诸如图像打开、缩放、旋转、颜色转换等常用功能
      
     
    
     
      
     
     
      
       from PIL 
       import Image   
       # 从PIL(Python Imaging Library)模块中导入Image类
      
     
    
     
      
     
     
      
       import numpy 
       as np
      
     
    
     
      
     
     
      
       import os
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       train_path = 
       './mnist_image_label/mnist_train_jpg_60000/'     
       # 训练集图片路径
      
     
    
     
      
     
     
      
       train_txt = 
       './mnist_image_label/mnist_train_jpg_60000.txt'   
       # 训练集标签文件
      
     
    
     
      
     
     
      
       # 在使用训练好的模型时，有一种保存模型的文件格式叫.npy，是numpy专用的二进制文件
      
     
    
     
      
     
     
      
       x_train_savepath = 
       './mnist_image_label/mnist_x_train.npy'    
       # 训练集输入特征存储文件
      
     
    
     
      
     
     
      
       y_train_savepath = 
       './mnist_image_label/mnist_y_train.npy'    
       # 训练集标签存储文件
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       test_path = 
       './mnist_image_label/mnist_test_jpg_10000/'     
       # 测试集图片路径
      
     
    
     
      
     
     
      
       test_txt = 
       './mnist_image_label/mnist_test_jpg_10000.txt'   
       # 测试集标签文件
      
     
    
     
      
     
     
      
       x_test_savepath = 
       './mnist_image_label/mnist_x_test.npy'    
       # 测试集输入特征存储文件
      
     
    
     
      
     
     
      
       y_test_savepath = 
       './mnist_image_label/mnist_y_test.npy'    
       # 测试集标签存储文件
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       def 
       generateds(
       path, txt):    
       # path为图片路径，txt为标签文件
      
     
    
     
      
     
     
      
           f = 
       open(txt, 
       'r')  
       # 以只读形式打开txt文件
      
     
    
     
      
     
     
      
           contents = f.readlines()  
       # 读取文件中所有行
      
     
    
     
      
     
     
      
           f.close()  
       # 关闭txt文件
      
     
    
     
      
     
     
      
           x, y_ = [], []  
       # 建立空列表
      
     
    
     
      
     
     
          
       for content 
       in contents:  
       # 逐行取出
      
     
    
     
      
     
     
      
               value = content.split()  
       # 以空格分开，图片路径为value[0] , 标签为value[1] , 存入列表
      
     
    
     
      
     
     
      
               img_path = path + value[
       0]  
       # 拼出图片路径和文件名，为图片的索引路径
      
     
    
     
      
     
     
      
               img = Image.
       open(img_path)  
       # 读入图片
      
     
    
     
      
     
     
              
       # image = image.convert()是图像实例对象的一个方法，接受一个mode参数，用以指定一种色彩模式
      
     
    
     
      
     
     
      
               img = np.array(img.convert(
       'L'))  
       # 图片变为8位宽度的灰度值，np.array格式
      
     
    
     
      
     
     
      
               img = img / 
       255.  
       # 数据归一化 （实现预处理）
      
     
    
     
      
     
     
      
               x.append(img)  
       # 归一化后的数据，贴到列表x
      
     
    
     
      
     
     
      
               y_.append(value[
       1])  
       # 标签贴到列表y_
      
     
    
     
      
     
     
              
       print(
       'loading : ' + content)  
       # 打印状态提示
      
     
    
     
      
     
     
      
           x = np.array(x)  
       # 变为np.array格式
      
     
    
     
      
     
     
      
           y_ = np.array(y_)  
       # 变为np.array格式
      
     
    
     
      
     
     
          
       # arr.astype(“具体的数据类型”) 转换numpy数组的数据类型
      
     
    
     
      
     
     
      
           y_ = y_.astype(np.int64)  
       # 变为64位整型
      
     
    
     
      
     
     
          
       return x, y_  
       # 返回输入特征x，标签y_
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       # 判断训练集输入特征x_train和标签y_train、测试集输入特征x_test和标签y_test是否已存在
      
     
    
     
      
     
     
      
       if os.path.exists(x_train_savepath) 
       and os.path.exists(y_train_savepath) 
       and os.path.exists(
      
     
    
     
      
     
     
      
               x_test_savepath) 
       and os.path.exists(y_test_savepath):
      
     
    
     
      
     
     
          
       print(
       '-------------Load Datasets-----------------')    
       # 若存在，直接读取
      
     
    
     
      
     
     
      
           x_train_save = np.load(x_train_savepath)
      
     
    
     
      
     
     
      
           y_train = np.load(y_train_savepath)
      
     
    
     
      
     
     
      
           x_test_save = np.load(x_test_savepath)
      
     
    
     
      
     
     
      
           y_test = np.load(y_test_savepath)
      
     
    
     
      
     
     
      
           x_train = np.reshape(x_train_save, (
       len(x_train_save), 
       28, 
       28))
      
     
    
     
      
     
     
      
           x_test = np.reshape(x_test_save, (
       len(x_test_save), 
       28, 
       28))
      
     
    
     
      
     
     
      
       else:   
       # 若不存在，调用generateds(path, txt)函数制作数据集
      
     
    
     
      
     
     
          
       print(
       '-------------Generate Datasets-----------------')
      
     
    
     
      
     
     
      
           x_train, y_train = generateds(train_path, train_txt)
      
     
    
     
      
     
     
      
           x_test, y_test = generateds(test_path, test_txt)
      
     
    
     
      
     
     
          
       print(
       '-------------Save Datasets-----------------')
      
     
    
     
      
     
     
      
           x_train_save = np.reshape(x_train, (
       len(x_train), -
       1))
      
     
    
     
      
     
     
      
           x_test_save = np.reshape(x_test, (
       len(x_test), -
       1))
      
     
    
     
      
     
     
          
       # np.save(文件保存路径, 需要保存的数组) 以.npy格式将数组保存到二进制文件中
      
     
    
     
      
     
     
      
           np.save(x_train_savepath, x_train_save)
      
     
    
     
      
     
     
      
           np.save(y_train_savepath, y_train)
      
     
    
     
      
     
     
      
           np.save(x_test_savepath, x_test_save)
      
     
    
     
      
     
     
      
           np.save(y_test_savepath, y_test)

可以看出程序制作出了 .npy 格式的数据集

数据增强，扩充数据集

对图像的增强就是对图像的简单形变，用来应对因拍照角度不同引起的图片变形。数据增强在小数据量上可以增加模型泛化性


   
    
     
      
     
     
      
       image_gen_train = tf.keras.preprocessing.image.ImageDataGenerator(增强方法)
      
     
    
     
      
     
     
      
       image_gen_train.fit(x_train)   
       # 数据增强函数的输入要求是4维，通过reshape调整

下面代码只贴出相比baseline改动的部分：


   
    
     
      
     
     
      
       from keras.preprocessing.image 
       import ImageDataGenerator
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       mnist = tf.keras.datasets.mnist
      
     
    
     
      
     
     
      
       (x_train, y_train), (x_test, y_test) = mnist.load_data()
      
     
    
     
      
     
     
      
       x_train, x_test = x_train / 
       255.0, x_test / 
       255.0
      
     
    
     
      
     
     
      
       x_train = x_train.reshape(x_train.shape[
       0], 
       28, 
       28, 
       1)  
       # 给数据增加一个维度，使数据和网络结构匹配，从(60000, 28, 28)reshape为(60000, 28, 28, 1)
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       image_gen_train = ImageDataGenerator(
      
     
    
     
      
     
     
      
           rescale=
       1. / 
       1.,  
       # 如为图像，分母为255时，可归至0～1
      
     
    
     
      
     
     
      
           rotation_range=
       45,  
       # 随机45度旋转
      
     
    
     
      
     
     
      
           width_shift_range=
       .15,  
       # 宽度偏移
      
     
    
     
      
     
     
      
           height_shift_range=
       .15,  
       # 高度偏移
      
     
    
     
      
     
     
      
           horizontal_flip=
       False,  
       # 水平翻转
      
     
    
     
      
     
     
      
           zoom_range=
       0.5  
       # 将图像随机缩放 阈量50％
      
     
    
     
      
     
     
      
       )
      
     
    
     
      
     
     
      
       image_gen_train.fit(x_train)    
       # 把x_train送入数据增强操作
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       model.fit(image_gen_train.flow(x_train, y_train, batch_size=
       32), epochs=
       5, validation_data=(x_test, y_test), validation_freq=
       1)   
       # fit时以flow形式按照batch打包后执行训练过程

由于使用的数据为标准MNIST数据集，单纯从测试集准确率上看不出数据增强效果，需要从实际应用程序中体会

数据增强可视化


   
    
     
      
     
     
      
       # 显示原始图像和增强后的图像
      
     
    
     
      
     
     
      
       import tensorflow 
       as tf
      
     
    
     
      
     
     
      
       from matplotlib 
       import pyplot 
       as plt
      
     
    
     
      
     
     
      
       from keras.preprocessing.image 
       import ImageDataGenerator
      
     
    
     
      
     
     
      
       import numpy 
       as np
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       mnist = tf.keras.datasets.mnist
      
     
    
     
      
     
     
      
       (x_train, y_train), (x_test, y_test) = mnist.load_data()
      
     
    
     
      
     
     
      
       x_train = x_train.reshape(x_train.shape[
       0], 
       28, 
       28, 
       1)
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       image_gen_train = ImageDataGenerator(
      
     
    
     
      
     
     
      
           rescale=
       1. / 
       255,
      
     
    
     
      
     
     
      
           rotation_range=
       45,
      
     
    
     
      
     
     
      
           width_shift_range=
       .15,
      
     
    
     
      
     
     
      
           height_shift_range=
       .15,
      
     
    
     
      
     
     
      
           horizontal_flip=
       False,
      
     
    
     
      
     
     
      
           zoom_range=
       0.5
      
     
    
     
      
     
     
      
       )
      
     
    
     
      
     
     
      
       image_gen_train.fit(x_train)
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       print(
       "xtrain",x_train.shape)   
       # (60000, 28, 28, 1)
      
     
    
     
      
     
     
      
       # np.squeeze(输入的数组, axis=) axis用于指定需要删除的维度，且必须为单维度，若为空，删除所有单维度的条目
      
     
    
     
      
     
     
      
       # 返回值：数组 不会修改原数组
      
     
    
     
      
     
     
      
       # 作用：从数组的形状中删除单维度条目，即把shape中为1的维度去掉
      
     
    
     
      
     
     
      
       x_train_subset1 = np.squeeze(x_train[:
       12])
      
     
    
     
      
     
     
      
       print(
       "xtrain_subset1",x_train_subset1.shape)   
       # (12, 28, 28)
      
     
    
     
      
     
     
      
       print(
       "xtrain",x_train.shape)
      
     
    
     
      
     
     
      
       x_train_subset2 = x_train[:
       12]  
       # 一次显示12张图片
      
     
    
     
      
     
     
      
       print(
       "xtrain_subset2",x_train_subset2.shape)    
       # (12, 28, 28, 1)
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       fig = plt.figure(figsize=(
       20, 
       2))
      
     
    
     
      
     
     
      
       plt.set_cmap(
       'gray')
      
     
    
     
      
     
     
      
       # 显示原始图片
      
     
    
     
      
     
     
      
       for i 
       in 
       range(
       0, 
       len(x_train_subset1)):
      
     
    
     
      
     
     
      
           ax = fig.add_subplot(
       1, 
       12, i + 
       1)
      
     
    
     
      
     
     
      
           ax.imshow(x_train_subset1[i])
      
     
    
     
      
     
     
      
       fig.suptitle(
       'Subset of Original Training Images', fontsize=
       20)
      
     
    
     
      
     
     
      
       plt.show()
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       # 显示增强后的图片
      
     
    
     
      
     
     
      
       fig = plt.figure(figsize=(
       20, 
       2))
      
     
    
     
      
     
     
      
       for x_batch 
       in image_gen_train.flow(x_train_subset2, batch_size=
       12, shuffle=
       False):
      
     
    
     
      
     
     
          
       for i 
       in 
       range(
       0, 
       12):
      
     
    
     
      
     
     
      
               ax = fig.add_subplot(
       1, 
       12, i + 
       1)
      
     
    
     
      
     
     
      
               ax.imshow(np.squeeze(x_batch[i]))
      
     
    
     
      
     
     
      
           fig.suptitle(
       'Augmented Images', fontsize=
       20)
      
     
    
     
      
     
     
      
           plt.show()
      
     
    
     
      
     
     
          
       break;

断点续训，存取模型

在进行神经网络训练过程中，由于一些因素导致训练无法进行，需要保存当前的训练结果下次接着训练

（一）读取模型

load_weights(路径文件名) 直接读取已有模型的参数

下面代码只贴出相比baseline改动的部分：


   
    
     
      
     
     
      
       import os   
       # 为了判断保存的模型参数是否存在
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       checkpoint_save_path = 
       "./checkpoint/mnist.ckpt"   
       # 定义存放模型的路径和文件名，命名为ckpt文件，生成ckpt文件时会同步生成索引表
      
     
    
     
      
     
     
      
       if os.path.exists(checkpoint_save_path + 
       '.index'):   
       # 通过判断是否存在索引表，判断是否已经保存过模型参数
      
     
    
     
      
     
     
          
       print(
       '-------------load the model-----------------')
      
     
    
     
      
     
     
      
           model.load_weights(checkpoint_save_path)   
       # 若已经有了索引表，直接读取模型参数

（二）保存模型

借助TensorFlow给出的回调函数tf.keras.callbacks.ModelCheckpoint，在训练过程中保存模型的权重，并在训练结束后保存最优权重。使用回调函数可以方便地继续训练模型或加载之前训练过的模型

模板：


   
    
     
      
     
     
      
       cp_callback = tf.keras.callbacks.ModelCheckpoint(
      
     
    
     
      
     
     
      
                       filepath=路径文件名,    
       # 文件存储路径
      
     
    
     
      
     
     
      
                       save_weights_only=
       True/
       False,   
       # 是否只保留模型参数
      
     
    
     
      
     
     
      
                       save_best_only=
       True/
       False,   
       # 是否只保留最优结果
      
     
    
     
      
     
     
      
                       monitor=
       'val_loss'/
       'loss')   
       # monitor配合save_best_only可以保存最优模型，包括：训练损失最小模型、测试损失最小模型、训练准确率最高模型、测试准确率最高模型等
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       history = model.fit( callbacks=[cp_callback] )  
       # 执行训练过程时加入callbacks选项，记录到history中
      
     
    
     
      
     
     
      
       # history里储存了loss和metrics结果，用于后面可视化

下面代码只贴出相比baseline改动的部分：


   
    
     
      
     
     
      
       # 保存训练出来的模型参数，使用回调函数，返回给cp_callback
      
     
    
     
      
     
     
      
       cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,   
      
     
    
     
      
     
     
      
                                                        save_weights_only=
       True,
      
     
    
     
      
     
     
      
                                                        save_best_only=
       True)
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       history = model.fit(x_train, y_train, batch_size=
       32, epochs=
       5, validation_data=(x_test, y_test), validation_freq=
       1, callbacks=[cp_callback])   
       # 在fit中加入callbacks(回调选项)，赋值给history

训练过程中出现checkpoint文件夹，里面存放的就是模型参数

再次运行，程序会加载刚才保存的模型参数：

这次训练的准确率是在刚刚保存的模型基础上继续提升的

参数提取，把参数存入文本

（一）提取可训练参数

model.trainable_variables   # 返回模型中可训练的参数

直接print的话，很多数据会被省略号替换：

模型结构如下：


   
    
     
      
     
     
      
       model = tf.keras.models.Sequential([
      
     
    
     
      
     
     
      
               tf.keras.layers.Flatten(),
      
     
    
     
      
     
     
      
               tf.keras.layers.Dense(
       128, activation=
       'relu'),
      
     
    
     
      
     
     
      
               tf.keras.layers.Dense(
       10, activation=
       'softmax')
      
     
    
     
      
     
     
      
       ])

模型中可训练参数有：

[<tf.Variable 'dense/kernel:0' shape=(784, 128) dtype=float32, numpy=array([[...]], dtype=float32)>

<tf.Variable 'dense/bias:0' shape=(128,) dtype=float32, numpy=array([...],dtype=float32)>

<tf.Variable 'dense_1/kernel:0' shape=(128, 10) dtype=float32, numpy=array([[...]], dtype=float32)>

<tf.Variable 'dense_1/bias:0' shape=(10,) dtype=float32, numpy=array([...],dtype=float32)>

（二）设置print输出格式


   
    
     
      
     
     
      
       np.set_printoptions(
      
     
    
     
      
     
     
      
           precision=小数点后按四舍五入保留几位,
      
     
    
     
      
     
     
      
           threshold=数组元素数量少于或等于门槛值，打印全部元素；否则打印门槛值+
       1个元素，中间用省略号补充)

threshold = np.inf 打印全部数组元素，np.inf表示无限大


   
    
     
      
     
     
      
       # 在断点续训的基础上添加参数提取功能
      
     
    
     
      
     
     
      
       import numpy 
       as np
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       np.set_printoptions(threshold=np.inf)   
       # 设置打印选项，打印所有内容
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       print(model.trainable_variables)    
       # 打印出所有可训练参数
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       file = 
       open(
       './weights.txt', 
       'w')   
       # 存入文本文件
      
     
    
     
      
     
     
      
       for v 
       in model.trainable_variables:   
       # 用for循环把所有可训练参数存入文本
      
     
    
     
      
     
     
      
           file.write(
       str(v.name) + 
       '\n')
      
     
    
     
      
     
     
      
           file.write(
       str(v.shape) + 
       '\n')
      
     
    
     
      
     
     
      
           file.write(
       str(v.numpy()) + 
       '\n')
      
     
    
     
      
     
     
      
       file.close()

acc/loss可视化，查看训练效果

在model.fit执行训练过程时，同步记录了训练集loss、测试集loss、训练集准确率、测试集准确率，可以用history.history提取出来


   
    
     
      
     
     
      
       history = model.fit(训练集数据, 训练集标签, batch_size=, epochs=, validation_split=用作测试数据的比例, validation_data=测试集, validation_freq=测试频率)   
       # 执行训练过程
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       '''
      
     
    
     
      
     
     
      
       history：
      
     
    
     
      
     
     
      
       训练集loss： loss
      
     
    
     
      
     
     
      
       测试集loss： val_loss
      
     
    
     
      
     
     
      
       训练集准确率： sparse_categorical_accuracy
      
     
    
     
      
     
     
      
       测试集准确率： val_sparse_categorical_accuracy
      
     
    
     
      
     
     
      
       通过history.history提取出来
      
     
    
     
      
     
     
      
       '''
      
     
    
     
      
     
     
      
       loss = history.history[
       'loss']
      
     
    
     
      
     
     
      
       val_loss = history.history[
       'val_loss']
      
     
    
     
      
     
     
      
       acc = history.history[
       'sparse_categorical_accuracy']
      
     
    
     
      
     
     
      
       val_acc = history.history[
       'val_sparse_categorical_accuracy']

下面代码只贴出相比baseline改动的部分：


   
    
     
      
     
     
      
       from matplotlib 
       import pyplot 
       as plt
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       # 显示训练集和验证集的acc和loss曲线
      
     
    
     
      
     
     
      
       # 用history.history提取model.fit函数在执行训练过程中保存的：
      
     
    
     
      
     
     
      
       acc = history.history[
       'sparse_categorical_accuracy']   
       # 训练集准确率
      
     
    
     
      
     
     
      
       val_acc = history.history[
       'val_sparse_categorical_accuracy']   
       # 测试集准确率
      
     
    
     
      
     
     
      
       loss = history.history[
       'loss']   
       # 训练集损失函数数值
      
     
    
     
      
     
     
      
       val_loss = history.history[
       'val_loss']   
       # 测试集损失函数数值
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       plt.subplot(
       1, 
       2, 
       1)   
       # 一行两列，第一列
      
     
    
     
      
     
     
      
       plt.plot(acc, label=
       'Training Accuracy')
      
     
    
     
      
     
     
      
       plt.plot(val_acc, label=
       'Validation Accuracy')
      
     
    
     
      
     
     
      
       plt.title(
       'Training and Validation Accuracy')
      
     
    
     
      
     
     
      
       plt.legend()
      
     
    
     
      
     
     
       
      
     
    
     
      
     
     
      
       plt.subplot(
       1, 
       2, 
       2)
      
     
    
     
      
     
     
      
       plt.plot(loss, label=
       'Training Loss')
      
     
    
     
      
     
     
      
       plt.plot(val_loss, label=
       'Validation Loss')
      
     
    
     
      
     
     
      
       plt.title(
       'Training and Validation Loss')
      
     
    
     
      
     
     
      
       plt.legend()
      
     
    
     
      
     
     
      
       plt.show()

应用程序，实现给图识物

转载：https://blog.csdn.net/qq_43629945/article/details/128744027

查看评论

小言_互联网的博客

小言_互联网的博客

个人资料

文章分类

文章存档

阅读排行

评论排行

推荐文章

【4-网络八股扩展】北京大学TensorFlow2.0

自制数据集，解决本领域应用

数据增强，扩充数据集

数据增强可视化

断点续训，存取模型

（一）读取模型

（二）保存模型

参数提取，把参数存入文本

（一）提取可训练参数

（二）设置print输出格式

acc/loss可视化，查看训练效果

应用程序，实现给图识物

* 以上用户言论只代表其个人观点，不代表本网站的观点或立场