tensorflow(二十六):Keras计算准确率和损失
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了tensorflow(二十六):Keras计算准确率和损失,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含2801字,纯文字阅读大概需要5分钟。
内容图文
![tensorflow(二十六):Keras计算准确率和损失](/upload/InfoBanner/zyjiaocheng/1086/2e7d3798d37c43d98ab4a604ed2ad009.jpg)
一、Keras五大功能
二、评估指标用法
有一个现成的准确度的meter就是 m e t r i c s . A c c u r a c y ( ) metrics.Accuracy()metrics.Accuracy()。
如果只是简单的求一个平均值的话,有一个更加通用的meter就是 m e t r i c s . M e a n ( ) metrics.Mean()metrics.Mean()。
三、步骤
四、实战
- 需要注意的是:这里我们不仅使用了acc_meter方法,我们自己实现了类型acc_meter的方法,怎么实现呢,我们有这样的一个变量叫做total, total_correct。总的样本的数量,和总的正确的数量。
import tensorflow as tf from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics def preprocess(x, y): x = tf.cast(x, dtype=tf.float32) / 255. y = tf.cast(y, dtype=tf.int32) return x, y batchsz = 128 (x, y), (x_val, y_val) = datasets.mnist.load_data() print(‘datasets:‘, x.shape, y.shape, x.min(), x.max()) db = tf.data.Dataset.from_tensor_slices((x, y)) db = db.map(preprocess).shuffle(60000).batch(batchsz).repeat(10) ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val)) ds_val = ds_val.map(preprocess).batch(batchsz) network = Sequential([layers.Dense(256, activation=‘relu‘), layers.Dense(128, activation=‘relu‘), layers.Dense(64, activation=‘relu‘), layers.Dense(32, activation=‘relu‘), layers.Dense(10)]) network.build(input_shape=(None, 28 * 28)) network.summary() optimizer = optimizers.Adam(lr=0.01) # 第一步: 这里要对loss和accuracy做一个跟踪。所以这里建立了2个metrics # 一个是accuracy的metrics,一个是求loss均值的metrics. acc_meter = metrics.Accuracy() loss_meter = metrics.Mean() for step, (x, y) in enumerate(db): with tf.GradientTape() as tape: # [b, 28, 28] => [b, 784] x = tf.reshape(x, (-1, 28 * 28)) # [b, 784] => [b, 10] out = network(x) # [b] => [b, 10] y_onehot = tf.one_hot(y, depth=10) # [b] loss = tf.reduce_mean(tf.losses.categorical_crossentropy(y_onehot, out, from_logits=True)) # 第二步: 每次loss计算完之后会更新一次metrics列表,这样loss会非常的准确。 loss_meter.update_state(loss) grads = tape.gradient(loss, network.trainable_variables) optimizer.apply_gradients(zip(grads, network.trainable_variables)) if step % 100 == 0: # 第三步: 测试的时候把loss的result打印出来。print(step, ‘loss:‘, loss_meter.result().numpy()) # 第四步: 把当前的loss buffer缓存清理掉。======这样每隔100次打印出来的loss是前100次的平均loss,而不是第100次了。# 数值会看起来非常的稳定。 loss_meter.reset_states() # evaluate 测试的时候。我们来看acc metricsif step % 500 == 0: total, total_correct = 0., 0 # 首先: acc_meter缓存清0。 acc_meter.reset_states() for step, (x, y) in enumerate(ds_val): # [b, 28, 28] => [b, 784] x = tf.reshape(x, (-1, 28 * 28)) # [b, 784] => [b, 10] out = network(x) # [b, 10] => [b] pred = tf.argmax(out, axis=1) pred = tf.cast(pred, dtype=tf.int32) # bool type correct = tf.equal(pred, y) # bool tensor => int tensor => numpy total_correct += tf.reduce_sum(tf.cast(correct, dtype=tf.int32)).numpy() total += x.shape[0] # 然后: acc_meter的值更新缓存到列表。 acc_meter.update_state(y, pred) print(step, ‘Evaluate Acc:‘, total_correct / total, acc_meter.result().numpy())
原文:https://www.cnblogs.com/zhangxianrong/p/14691288.html
内容总结
以上是互联网集市为您收集整理的tensorflow(二十六):Keras计算准确率和损失全部内容,希望文章能够帮你解决tensorflow(二十六):Keras计算准确率和损失所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。