标签：loss val keras 卷积 test 池化 tf Tensorflow accuracy
本博客仅用于个人学习，不用于传播教学，主要是记自己能够看得懂的笔记（
学习知识来自：【吴恩达团队Tensorflow2.0实践系列课程第一课】TensorFlow2.0中基于TensorFlow2.0的人工智能、机器学习和深度学习简介及基础编程_哔哩哔哩_bilibili
果然还是大佬讲课好一点，有趣一点。
首先讲讲卷积。。。。。。算了卷积没什么好讲的，自己看去吧（卷积神经网络CNN完全指南终极版（一） - 知乎 (zhihu.com)，其实非常好理解，就是对图片进行一个过滤处理。
关于池化，也很好理解，比如把一个2*2的像素块合并为一个像素，这个像素的值可以是4个像素中的最大值，也可以是平均值。这样可以简化信息。
还有其他一些操作，我在代码中会标出。
import tensorflow as tf
import matplotlib.pyplot as plt
class myCallback(tf.keras.callbacks.Callback): #大佬给的判断Loss来退出训练的方法，我不懂∑( 口 ||
def on_epoch_end(self,epoch,logs={}):
if logs.get('accuracy')>0.9: #accuracy大于0.9，停止训练
print('\nReached 90% accuracy so cancelling training!')
self.model.stop_training=True
callback=myCallback() #调用类方法
mnist=tf.keras.datasets.fashion_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(60000,28,28,1) #为了输入卷积层必须改变一哈形状，当然只是多加了一层
x_test=x_test.reshape(10000,28,28,1)
model=tf.keras.Sequential([
tf.keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)), #卷积层，输入必须为(长度,宽度,深度)，用了64个过滤器，3*3的卷积窗口，并且去除负数
tf.keras.layers.MaxPooling2D(2,2), #池化层，2*2的池化
tf.keras.layers.Conv2D(64,(3,3),activation='relu'), #再来一层
tf.keras.layers.MaxPooling2D(2,2), #再来一层
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128,activation='relu'),
tf.keras.layers.Dropout(0.2), #这是防止过拟合的Dropout层。可以将一些不重要的感知器丢弃。
tf.keras.layers.Dense(10,activation='softmax')
])
model.compile(
optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy']
)
print(model.summary()) #输出model的基本信息
his=model.fit(x_train,y_train,epochs=10,validation_data=(x_test,y_test),batch_size=64,callbacks=[callback])
#validation_data用于将模型在另一组数据上进行测试，可以是测试数据；batch_size是每次训练的一批数据的多少；callbacks就是召回函数，用于停止训练
plt.plot(his.epoch,his.history.get('loss'),label='loss')
plt.plot(his.epoch,his.history.get('val_loss'),label='val_loss') #画出Loss以及test data的Loss的变化
plt.show()
plt.plot(his.epoch,his.history.get('accuracy'),label='accuracy')
plt.plot(his.epoch,his.history.get('val_accuracy'),label='val_accuracy') #画出accuracy以及test data的accuracy的变化
plt.show()
model.evaluate(x_test,y_test)
得到结果：
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d (Conv2D) (None, 26, 26, 64) 640
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 13, 13, 64) 0
_________________________________________________________________
conv2d_1 (Conv2D) (None, 11, 11, 64) 36928
_________________________________________________________________
max_pooling2d_1 (MaxPooling2D) (None, 5, 5, 64) 0
_________________________________________________________________
flatten (Flatten) (None, 1600) 0
_________________________________________________________________
dense (Dense) (None, 128) 204928
_________________________________________________________________
dropout (Dropout) (None, 128) 0
_________________________________________________________________
dense_1 (Dense) (None, 10) 1290
=================================================================
Total params: 243,786
Trainable params: 243,786
Non-trainable params: 0
_________________________________________________________________
None
Epoch 1/10
2021-08-09 12:19:51.791600: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cublas64_10.dll
2021-08-09 12:19:51.988593: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudnn64_7.dll
2021-08-09 12:19:52.644098: W tensorflow/stream_executor/gpu/redzone_allocator.cc:314] Internal: Invoking GPU asm compilation is supported on Cuda non-Windows platforms only
Relying on driver to perform ptx compilation.
Modify $PATH to customize ptxas location.
This message will be only logged once.
938/938 [==============================] - 12s 13ms/step - loss: 0.5003 - accuracy: 0.8183 - val_loss: 0.3815 - val_accuracy: 0.8588
Epoch 2/10
938/938 [==============================] - 13s 14ms/step - loss: 0.3294 - accuracy: 0.8791 - val_loss: 0.3131 - val_accuracy: 0.8867
Epoch 3/10
938/938 [==============================] - 13s 14ms/step - loss: 0.2796 - accuracy: 0.8970 - val_loss: 0.2901 - val_accuracy: 0.8944
Epoch 4/10
935/938 [============================>.] - ETA: 0s - loss: 0.2506 - accuracy: 0.9069
Reached 90% accuracy so cancelling training!
938/938 [==============================] - 13s 14ms/step - loss: 0.2507 - accuracy: 0.9069 - val_loss: 0.2686 - val_accuracy: 0.8988
313/313 [==============================] - 1s 4ms/step - loss: 0.2686 - accuracy: 0.8988
参考博客：
卷积神经网络CNN完全指南终极版（一） - 知乎 (zhihu.com)
Keras.layers.Conv2D参数详解 搭建图片分类 CNN （卷积神经网络） - 汪洋大海 – 蜗居 (woj.app)
如果MNIST数据集中有60000个图像，为什么该模型仅对1875个训练集图像进行训练? - IT屋-程序员软件开发技术分享社区 (it1352.com)
标签：loss,val,keras,卷积,test,池化,tf,Tensorflow,accuracy 来源： https://www.cnblogs.com/lunnyliu/p/15118093.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。