如何在keras中查看训练过程中的loss值变化？
- 内容介绍
- 文章标签
- 相关推荐
本文共计646个文字，预计阅读时间需要3分钟。
想要查看每次训练后模型的 loss 值变化，需要进行如下操作：
python记录历史 loss 值self.history=model.fit(state, target_f, epochs=1, batch_size=32)b=abs(float(self.history.history['loss'][0]))loss_value=[b]print(loss_value)
想要查看每次训练模型后的 loss 值变化需要如下操作
loss_value= [ ] self.history = model.fit(state,target_f,epochs=1, batch_size =32） b = abs(float(self.history.history[‘loss'][0])) loss_value.append(b) print(loss_value) loss_value = np.array( loss_value) x = np.array(range(len( loss_value））） plt.plot(x, loss_value, c = ‘g') pt.svefit('c地址‘， dpi= 100) plt.show()
scipy.sparse 稀疏矩阵 函数集合
pandas 用于在各种文件中提取，并处理分析数据； 有DataFrame数据结构，类似表格。
本文共计646个文字，预计阅读时间需要3分钟。
想要查看每次训练后模型的 loss 值变化，需要进行如下操作：
python记录历史 loss 值self.history=model.fit(state, target_f, epochs=1, batch_size=32)b=abs(float(self.history.history['loss'][0]))loss_value=[b]print(loss_value)
想要查看每次训练模型后的 loss 值变化需要如下操作
loss_value= [ ] self.history = model.fit(state,target_f,epochs=1, batch_size =32） b = abs(float(self.history.history[‘loss'][0])) loss_value.append(b) print(loss_value) loss_value = np.array( loss_value) x = np.array(range(len( loss_value））） plt.plot(x, loss_value, c = ‘g') pt.svefit('c地址‘， dpi= 100) plt.show()
scipy.sparse 稀疏矩阵 函数集合
pandas 用于在各种文件中提取，并处理分析数据； 有DataFrame数据结构，类似表格。