1：首先，我給我的MixTest文件夾里面分好了類的圖片進行重命名（因為分類的時候沒有注意導致命名有點不好）

def load_data(path):
 Rename the picture [a tool]
 for eachone in os.listdir(path):
  newname = eachone[7:]
  os.rename(path+"\\"+eachone,path+"\\"+newname)

但是需要注意的是：我們按照類重命名了以后，系統(tǒng)其實會按照圖片來排序。這個時候你會看到同一個類的被排序在了一塊。這個時候你不要慌張，其實這個順序是完全不用擔心的。我們只是需要得到網(wǎng)絡(luò)對某一個圖片的輸出是怎么樣的判斷標簽。這個順序?qū)W(wǎng)絡(luò)計算其權(quán)重完全是沒有任何的影響的

2：我在Keras中使用InceptionV3這個模型進行訓練，訓練模型的過程啥的我在這里就不詳細說了（畢竟這個東西有點像隨記那樣的東西）

我們在Keras的模型里面是可以通過

H.history["val_acc"]
H.history["val_loss"]

來的得到歷史交叉準確率這樣的指標

3：

對于每個epoch，我們都會計算一次val_acc和val_loss，我很希望保留下我最高的val_acc的模型，那該怎么辦呢？

這個時候我就會使用keras的callback函數(shù)

H = model.fit_generator(train_datagen.flow(X_train, Y_train, batch_size=batchsize),
  validation_data=(X_test, Y_test), steps_per_epoch=(X_train.shape[0]) // batchsize,
  epochs=epoch, verbose=1, callbacks=[tb(log_dir='E:\John\log'),
           save_function])

上面的參數(shù)先查查文檔把。這里我就說說我的callbacks

callbacks=[tb(log_dir = 'E\John\log')]

這個是使用tensorboard來可視化訓練過程的，后面是tensorboard的log輸出文件夾的路徑，在網(wǎng)絡(luò)訓練的時候，相對應(yīng)的訓練的狀態(tài)就會保存在這個文件夾下

打開終端，輸入

tensorboard --log_dir <your name of the log dir> --port <the port for tensorboard>

然后輸入終端指示的網(wǎng)址在瀏覽器中打開，就可以在tensorboard中看到你訓練的狀態(tài)了

save_function:

這是一個類的實例化：

class Save(keras.callbacks.Callback):
 def __init__(self):
  self.max_acc = 0.0
 
 def on_epoch_begin(self, epoch, logs=None):
  pass
 
 def on_epoch_end(self, epoch, logs=None):
  self.val_acc = logs["val_acc"]
  if epoch != 0:
   if self.val_acc > self.max_acc and self.val_acc > 0.8:
    model.save("kears_model_"+str(epoch)+ "_acc="+str(self.val_acc)+".h5")
    self.max_acc = self.val_acc
 
save_function = Save()

這里繼承了kears.callbacks.Callback

看看on_epoch_end：

在這個epoch結(jié)束的時候，我會得到它的val_acc

當這個val_acc為歷史最大值的時候，我就保存這個模型

在訓練結(jié)束以后，你就挑出acc最大的就好啦（當然，你可以命名為一樣的，最后的到的模型就不用挑了，直接就是acc最大的模型了）

補充知識：Keras回調(diào)函數(shù)Callbacks使用詳解及訓練過程可視化

介紹

內(nèi)容參考了keras中文文檔

回調(diào)函數(shù)Callbacks

回調(diào)函數(shù)是一組在訓練的特定階段被調(diào)用的函數(shù)集，你可以使用回調(diào)函數(shù)來觀察訓練過程中網(wǎng)絡(luò)內(nèi)部的狀態(tài)和統(tǒng)計信息。通過傳遞回調(diào)函數(shù)列表到模型的.fit()中，即可在給定的訓練階段調(diào)用該函數(shù)集中的函數(shù)。

【Tips】雖然我們稱之為回調(diào)“函數(shù)”，但事實上Keras的回調(diào)函數(shù)是一個類，回調(diào)函數(shù)只是習慣性稱呼

keras.callbacks.Callback()

這是回調(diào)函數(shù)的抽象類，定義新的回調(diào)函數(shù)必須繼承自該類

類屬性:

params：字典，訓練參數(shù)集（如信息顯示方法verbosity，batch大小，epoch數(shù)）

model：keras.models.Model對象，為正在訓練的模型的引用

回調(diào)函數(shù)以字典logs為參數(shù)，該字典包含了一系列與當前batch或epoch相關(guān)的信息。

目前，模型的.fit()中有下列參數(shù)會被記錄到logs中：

在每個epoch的結(jié)尾處（on_epoch_end），logs將包含訓練的正確率和誤差，acc和loss，如果指定了驗證集，還會包含驗證集正確率和誤差val_acc)和val_loss，val_acc還額外需要在.compile中啟用metrics=[‘a(chǎn)ccuracy']。

在每個batch的開始處（on_batch_begin）：logs包含size，即當前batch的樣本數(shù)

在每個batch的結(jié)尾處（on_batch_end）：logs包含loss，若啟用accuracy則還包含acc

from keras.callbacks import Callback

功能

History（訓練可視化）

keras.callbacks.History()

該回調(diào)函數(shù)在Keras模型上會被自動調(diào)用，History對象即為fit方法的返回值,可以使用history中的存儲的acc和loss數(shù)據(jù)對訓練過程進行可視化畫圖，代碼樣例如下：

history=model.fit(X_train, Y_train, validation_data=(X_test,Y_test),
 batch_size=16, epochs=20)
##或者
#history=model.fit(X_train,y_train,epochs=40,callbacks=callbacks, batch_size=32,validation_data=(X_test,y_test)) 
fig1, ax_acc = plt.subplots()
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.title('Model - Accuracy')
plt.legend(['Training', 'Validation'], loc='lower right')
plt.show()

fig2, ax_loss = plt.subplots()
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Model- Loss')
plt.legend(['Training', 'Validation'], loc='upper right')
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.show()

EarlyStopping

keras.callbacks.EarlyStopping(monitor='val_loss', patience=0, verbose=0, mode='auto')

當監(jiān)測值不再改善時，該回調(diào)函數(shù)將中止訓練

參數(shù)

monitor：需要監(jiān)視的量

patience：當early stop被激活（如發(fā)現(xiàn)loss相比上一個epoch訓練沒有下降），則經(jīng)過patience個epoch后停止訓練。

verbose：信息展示模式

verbose = 0 為不在標準輸出流輸出日志信息

verbose = 1 為輸出進度條記錄

verbose = 2 為每個epoch輸出一行記錄

默認為 1

mode：‘a(chǎn)uto'，‘min'，‘max'之一，在min模式下，如果檢測值停止下降則中止訓練。在max模式下，當檢測值不再上升則停止訓練。

ModelCheckpoint

該回調(diào)函數(shù)將在每個epoch后保存模型到filepath

filepath可以是格式化的字符串，里面的占位符將會被epoch值和傳入on_epoch_end的logs關(guān)鍵字所填入

例如，filepath若為weights.{epoch:02d-{val_loss:.2f}}.hdf5，則會生成對應(yīng)epoch和驗證集loss的多個文件。

參數(shù)

filename：字符串，保存模型的路徑

monitor：需要監(jiān)視的值

verbose：信息展示模式，0或1

save_best_only：當設(shè)置為True時，將只保存在驗證集上性能最好的模型

mode：‘a(chǎn)uto'，‘min'，‘max'之一，在save_best_only=True時決定性能最佳模型的評判準則，例如，當監(jiān)測值為val_acc時，模式應(yīng)為max，當檢測值為val_loss時，模式應(yīng)為min。在auto模式下，評價準則由被監(jiān)測值的名字自動推斷。

save_weights_only：若設(shè)置為True，則只保存模型權(quán)重，否則將保存整個模型（包括模型結(jié)構(gòu)，配置信息等）

period：CheckPoint之間的間隔的epoch數(shù)

Callbacks中可以同時使用多個以上兩個功能,舉例如下

callbacks = [EarlyStopping(monitor='val_loss', patience=8),
    ModelCheckpoint(filepath='best_model.h5', monitor='val_loss', save_best_only=True)]
history=model.fit(X_train, y_train,epochs=40,callbacks=callbacks, batch_size=32,validation_data=(X_test,y_test))

在樣例中，EarlyStopping設(shè)置衡量標注為val_loss，如果其連續(xù)4次沒有下降就提前停止 ,ModelCheckpoint設(shè)置衡量標準為val_loss，設(shè)置只保存最佳模型，保存路徑為best——model.h5

ReduceLROnPlateau

keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=10, verbose=0, mode='auto', epsilon=0.0001, cooldown=0, min_lr=0)

當評價指標不在提升時，減少學習率

當學習停滯時，減少2倍或10倍的學習率常常能獲得較好的效果。該回調(diào)函數(shù)檢測指標的情況，如果在patience個epoch中看不到模型性能提升，則減少學習率

參數(shù)

monitor：被監(jiān)測的量 factor：每次減少學習率的因子，學習率將以lr = lr*factor的形式被減少

patience：當patience個epoch過去而模型性能不提升時，學習率減少的動作會被觸發(fā)

mode：‘a(chǎn)uto'，‘min'，‘max'之一，在min模式下，如果檢測值觸發(fā)學習率減少。在max模式下，當檢測值不再上升則觸發(fā)學習率減少。

epsilon：閾值，用來確定是否進入檢測值的“平原區(qū)”

cooldown：學習率減少后，會經(jīng)過cooldown個epoch才重新進行正常操作 min_lr：學習率的下限

使用樣例如下：

callbacks_test = [
 keras.callbacks.ReduceLROnPlateau(
 #以val_loss作為衡量標準
 monitor='val_loss',
 # 學習率乘以factor
 factor=0.1,
 # It will get triggered after the validation loss has stopped improving
 # 當被檢測的衡量標準經(jīng)過幾次沒有改善后就減小學習率
 patience=10,
 )
 ]
 model.fit(x, y,epochs=20,batch_size=16,
  callbacks=callbacks_test,
 validation_data=(x_val, y_val))

CSVLogger

keras.callbacks.CSVLogger(filename, separator=',', append=False)

將epoch的訓練結(jié)果保存在csv文件中，支持所有可被轉(zhuǎn)換為string的值，包括1D的可迭代數(shù)值如np.ndarray.

參數(shù)

fiename：保存的csv文件名，如run/log.csv

separator：字符串，csv分隔符

append：默認為False，為True時csv文件如果存在則繼續(xù)寫入，為False時總是覆蓋csv文件

以上這篇Kears 使用:通過回調(diào)函數(shù)保存最佳準確率下的模型操作就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論