使用Keras画神经网络准确性图

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

使用Keras画神经网络准确性图相关推荐

利用Graphviz画神经网络框架图
文章目录前言 dot画神经网络图简单神经网络大型神经网络(伪) Python 画神经网络图大型神经网络前言做了神经网络这么久,偶尔想画一下自己模型的架构图,但是又无从下手,因为网络一般都比 ...
python如何画神经网络特征图
1.构造绘制特征图的函数 width, height为特征图的宽和高,x为数据,savename为保存的图片路径: def draw_features(width, height, x, savena ...
神经网络和图神经网络,神经网络的图怎么画
神经网络(深度学习)的几个基础概念从广义上说深度学习的网络结构也是多层神经网络的一种.传统意义上的多层神经网络是只有输入层.隐藏层.输出层.其中隐藏层的层数根据需要而定,没有明确的理论推导来说明到底 ...
Keras深度学习实战（2）——使用Keras构建神经网络
Keras深度学习实战(2)--使用Keras构建神经网络 0 前言 1. Keras 简介与安装 2. Keras 构建神经网络初体验 3. 训练香草神经网络 3.1 香草神经网络与 MNIST 数 ...
图神经网络的图网络学习（上）
图神经网络的图网络学习(上) 原文:Learning the Network of Graphs for Graph Neural Networks 摘要图神经网络 (GNN) 在许多使用图结构数据 ...
图神经网络的图网络学习（下）
原文:Learning the Network of Graphs for Graph Neural Networks 1. 文章信息作者 Yixiang Shan, Jielong Yang, X ...
ICML2020 | 神经网络的图结构如何影响其预测性能?
作者 | 董靖鑫审稿 | 程玉今天给大家介绍的是来自斯坦福大学的Jure Leskovec课题组发表在ICML2020上的文章" Graph Structure of Neural Ne ...
实战篇：如何用Keras建立神经网络（附全部代码）
摘要: 机器学习实战篇:用简单的代码打造属于自己的神经网络模型- Keras是目前最受欢迎的深度学习库之一,对人工智能的商业化做出了巨大贡献.它使用起来非常简单,它使你能够通过几行代码就可以构建强大的 ...
不能bostype没有元数据异常_手把手教你用Python画个箱形图，找出“脏数据”
导读:数据质量分析是数据挖掘中数据准备过程的重要一环,是数据预处理的前提,也是数据挖掘分析结论有效性和准确性的基础.没有可信的数据,数据挖掘构建的模型将是空中楼阁. 数据质量分析的主要任务是检查原始数 ...

使用Keras画神经网络准确性图

使用Keras画神经网络准确性图相关推荐

最新文章

热门文章