数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法学研究如何使用 Python 和 TensorFlow 来可视化损失与训练过程？
可以使用 TensorFlow 和 ‘matplotlib’ 库以及 ‘plot’ 方法来绘制数据，从而可视化损失与训练过程。
阅读更多： 什么是 TensorFlow？Keras 如何与 TensorFlow 协作创建神经网络？
包含至少一层卷积层的神经网络称为卷积神经网络。我们可以使用卷积神经网络来构建学习模型。
图像分类迁移学习背后的直觉是：如果一个模型在一个大型通用数据集上进行训练，那么这个模型可以有效地作为视觉世界的通用模型。它已经学习了特征图，这意味着用户无需从头开始在一个大型数据集上训练大型模型。
TensorFlow Hub 是一个包含预训练 TensorFlow 模型的存储库。TensorFlow 可用于微调学习模型。
我们将了解如何使用 TensorFlow Hub 中的模型与 tf.keras，如何使用 TensorFlow Hub 中的图像分类模型。完成此操作后，可以执行迁移学习来微调用于自定义图像类别的模型。这是通过使用预训练的分类器模型来获取图像并预测它是哪个图像来完成的。这可以在无需任何训练的情况下完成。
我们正在使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 帮助在浏览器上运行 Python 代码，无需任何配置，并且可以免费访问 GPU（图形处理单元）。Colaboratory 是基于 Jupyter Notebook 构建的。
示例
print("Visualizing the data - loss versus training steps")
plt.figure()
plt.ylabel("Loss")
plt.xlabel("Training Steps")
plt.ylim([0,2])
plt.plot(batch_stats_callback.batch_losses)代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning_with_hub
输出
解释
- 经过一些训练迭代后，可以看出模型正在取得进展。
- 此进度在控制台中以训练步骤与损失的关系进行可视化。
更新于： 2021年2月25日
201 次浏览
广告