如何使用Python可视化Tensorflow的损失与训练过程？

Tensorflow可以使用’matplotlib’库和’plot’方法绘制数据来可视化损失与训练过程。

更多Python相关文章，请阅读：Python 教程

至少包含一层的神经网络称为卷积层。我们可以使用卷积神经网络来构建学习模型。

图像分类的迁移学习背后的直觉是，如果在大型普通数据集上训练模型，则该模型可以有效地用作视觉世界的通用模型。它将学习到特征映射，这意味着用户无需从头开始使用大型数据集训练大型模型。

TensorFlow Hub是一个包含预训练TensorFlow模型的存储库。

我们将了解如何使用TensorFlow Hub中的模型与tf.keras一起使用，使用TensorFlow Hub中的图像分类模型。完成后，可以进行迁移学习，以微调针对自定义图像类的模型。这是通过使用预先训练的分类器模型来获取图像并预测它是什么来完成的。这可以在不需要任何训练的情况下完成。

我们使用Google Colaboratory来运行以下代码。Google Colab或Colaboratory可以在浏览器上运行Python代码，无需任何配置，并可以免费使用GPU（图形处理器）。Colaboratory是在Jupyter Notebook基础之上构建的。

示例

print("Visualizing the data - loss versus training steps")
plt.figure()
plt.ylabel("Loss")
plt.xlabel("Training Steps")
plt.ylim([0,2])
plt.plot(batch_stats_callback.batch_losses)

代码引用− https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub

输出

说明

• 在一些训练迭代后，可以看到模型正在取得进展。
• 这种进展在控制台上被可视化，作为训练步骤与损失。