tensorflow2.0——各批次loss、acc及可視化

一、loss、acc提取

　　有時候我們需要查看每個batch訓練時候的損失loss與准確率acc，這樣可以幫助我們挑選合適的epoch以及查看模型是否收斂。

　　Model.fit()在調用時會返回一個History類，這個類的一個屬性Historty.history是一個字典，里面就包含了每一個batch的測試集與驗證集的loss、acc。

# 模型訓練
history = model.fit(train_images, train_labels, batch_size=50, epochs=5, validation_split=0.1, verbose=1)

history.history.keys()  # 查看字典的鍵

loss = history.history['loss']  # 測試集損失
acc = history.history['acc']  # 測試集准確率
val_loss = history.history['val_loss']  # 驗證集損失
val_acc = history.history['val_acc']  # 驗證集准確率

　　

二、使用matplotlib可視化

　　這里可視化用到的包是matplotlib，暫不提供在tensorboard上的可視化，詳細使用如下。

import tensorflow as tf
import matplotlib.pyplot as plt

# 讀取數據集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.fashion_mnist.load_data()

# 數據集歸一化
train_images = train_images / 255
train_labels = train_labels / 255  # 進行數據的歸一化，加快計算的進程

# 創建模型結構
net_input = tf.keras.Input(shape=(28, 28))
fl = tf.keras.layers.Flatten()(net_input)  # 調用input
l1 = tf.keras.layers.Dense(32, activation="relu")(fl)
l2 = tf.keras.layers.Dropout(0.5)(l1)
net_output = tf.keras.layers.Dense(10, activation="softmax")(l2)

# 創建模型類
model = tf.keras.Model(inputs=net_input, outputs=net_output)

# 查看模型的結構
model.summary()

# 模型編譯
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
              loss="sparse_categorical_crossentropy",
              metrics=['acc'])

# 模型訓練
history = model.fit(train_images, train_labels, batch_size=50, epochs=5, validation_split=0.1, verbose=1)

history.history.keys()  # 查看字典的鍵

loss = history.history['loss']  # 測試集損失
acc = history.history['acc']  # 測試集准確率
val_loss = history.history['val_loss']  # 驗證集損失
val_acc = history.history['val_acc']  # 驗證集准確率

# 可視化，定義2*2的畫布
plt.figure()
plt.subplot(221)
plt.plot(loss)
plt.title('loss')
plt.subplot(222)
plt.plot(acc)
plt.title('acc')
plt.subplot(223)
plt.plot(val_loss)
plt.title('val_loss')
plt.subplot(224)
plt.plot(val_acc)
plt.title('val_acc')
plt.show()

輸出結果：