如何使用Python和TensorFlow可视化训练结果？

使用Python和“matplotlib”库可以使用TensorFlow可视化训练结果。使用“plot”方法将数据绘制在控制台上。

更多Python相关文章，请阅读：Python 教程

我们使用Keras Sequential API，它有助于构建用于处理一个普通层堆栈的顺序模型，其中每个层都恰好有一个输入张量和一个输出张量。

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构建学习模型。

使用keras.Sequential模型创建图像分类器，并使用preprocessing.image_dataset_from_directory加载数据。使用数据扩充和dropout技术来减轻过拟合。该数据集包含3700张图像，包括5个子目录，每个子目录代表一类，它们是：雏菊，蒲公英，玫瑰，向日葵和郁金香。

我们使用Google Colaboratory来运行下面的代码。Google Colab或Colaboratory可在浏览器上运行Python代码，不需要任何配置，并提供免费访问GPU（图形处理单元）。Colaboratory是基于Jupyter Notebook构建的。

示例

print("计算准确度")
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
print("计算损失")
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)
print("正在可视化结果")
plt.figure(figsize=(8, 8))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='训练准确度')
plt.plot(epochs_range, val_acc, label='验证准确度')
plt.legend(loc='lower right')
plt.title('训练和验证准确度')
plt.subplot(1, 2, 2)

plt.plot(epochs_range, loss, label='训练损失')
plt.plot(epochs_range, val_loss, label='验证损失')
plt.legend(loc='upper right')
plt.title('训练和验证损失')
plt.show()

代码来源- https://www.tensorflow.org/tutorials/images/classification

输出

计算准确度
计算损失
正在可视化结果

解释

• 上面的绘图显示训练精度和验证精度不同步。

• 模型在验证数据集上仅达到了约60％的准确性。

• 这就是过拟合。

• 训练精度随时间线性增加，但在训练过程中验证精度在约60％处停滞不前。

• 当训练样例数量很少时，模型会从训练样例中学习到噪声或不必要的详细信息。

• 这会对模型在新样例上的表现产生负面影响。

• 由于过拟合，模型将无法在新数据集上进行良好的泛化。

• 有许多方法可以避免过拟合，我们将使用数据增强来克服过拟合。