Matplotlib使用Keras将绘图精度返回到学习率时返回空图
Matplotlib使用Keras将绘图精度返回到学习率时返回空图
提问于 2019-04-29 00:26:30
为了比较不同的优化器(SGD，Adam，Adagrad等)，我试图绘制我的模型的总体精度与学习率的关系图。但是，当我绘制变量图时，matplotlib图的结果是空的
这是在Google Colab上使用的Keras
这是我的模型
model = Sequential()
dim = 28
nclasses = 10
model.add(Conv2D(filters=32, kernel_size=(5,5), padding='same', activation='relu', input_shape=(dim,dim,1)))
model.add(Conv2D(filters=32, kernel_size=(5,5), padding='same', activation='relu',))
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Dropout(0.2))
model.add(Conv2D(filters=64, kernel_size=(5,5), padding='same', activation='relu'))
model.add(Conv2D(filters=64, kernel_size=(5,5), padding='same', activation='relu'))
model.add(MaxPool2D(pool_size=(2,2), strides=(2,2)))
model.add(Dropout(0.2))
model.add(Flatten())
model.add(Dense(120, activation='relu'))
model.add(Dense(84, activation='relu'))
model.add(Dense(nclasses, activation='softmax'))选择我的优化器
opt = SGD(lr=0.001)
reduce_lr = ReduceLROnPlateau(monitor='val_acc', factor=0.9, patience=25, min_lr=0.000001, verbose=1)
model.compile(optimizer=opt, loss="categorical_crossentropy", metrics=["accuracy"])
history = model.fit(x=x_train,
y=y_train,
batch_size=10,
epochs=1,
verbose=1,
callbacks=[reduce_lr],
validation_data=(x_val,y_val),
shuffle=True)这是我尝试绘制我的模型的部分
plt.plot(history.history['val_acc'])
plt.plot(history.history['lr'])
plt.title('Plot of overall accuracy to larning rate for SGD optimizer')
plt.ylabel('accuracy')
plt.xlabel('learning rate')
plt.legend(['x_train', 'x_test'], loc='upper right')
plt.show()回答 1
Stack Overflow用户
回答已采纳
发布于 2019-04-29 01:04:07
你的图表是空的，因为你只训练了一个时期。但这还不是你最糟糕的问题。您正在尝试绘制时期学习率(这是常量值)与时期验证准确性的关系图。如果学习率的值是恒定的，你希望它是什么样子？
您应该做的是将用于某个模拟的学习率的值与您在特定模拟期间能够达到的最高精确值进行比较。例如，使用不同的学习率训练3次，然后绘制精度与学习率的最大值，如下所示：
import matplotlib.pyplot as plt
%matplotlib inline
lrs = [history1.history['lr'][0],
history2.history['lr'][0],
history3.history['lr'][0]]
vals = [max(history1.history['val_acc']),
max(history2.history['val_acc']),
max(history3.history['val_acc'])]
lrs, vals = zip(*sorted(zip(lrs, vals)))
lrs, vals = list(lrs), list(vals)
plt.plot(lrs, vals)
plt.title('Plot of overall accuracy to larning rate for SGD optimizer')
plt.ylabel('Max Accuracy')
plt.xlabel('Learning Rate')
plt.show()这将导致类似如下的结果：
下面是您应该如何定义这些模拟的示例：
opt1 = SGD(lr=0.001)
opt2 = SGD(lr=0.01)
opt3 = SGD(lr=0.1)
reduce_lr = ReduceLROnPlateau(monitor='val_acc', factor=0.9, patience=25, min_lr=0.000001, verbose=1)
model2 = tf.keras.models.clone_model(model) # <--copy model
model3 = tf.keras.models.clone_model(model)
model.compile(optimizer=opt1, loss="categorical_crossentropy", metrics=["accuracy"])
history1 = model.fit(x=x_train,
y=y_train,
batch_size=10,
epochs=10,
verbose=1,
callbacks=[reduce_lr],
validation_data=(x_val,y_val),
shuffle=True)
model2.compile(optimizer=opt2, loss="categorical_crossentropy", metrics=["accuracy"])
history2 = model2.fit(x=x_train,
y=y_train,
batch_size=10,
epochs=10,
verbose=1,
callbacks=[reduce_lr],
validation_data=(x_val,y_val),
shuffle=True)
model3.compile(optimizer=opt3, loss="categorical_crossentropy", metrics=["accuracy"])
history3 = model3.fit(x=x_train,
y=y_train,
batch_size=10,
epochs=10,
verbose=1,
callbacks=[reduce_lr],
validation_data=(x_val,y_val),
shuffle=True)页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/55892270
复制相关文章
相似问题