在tensorflow下利用plt畫論文中loss,acc等曲線圖例項

直接上程式碼：

  fig_loss = np.zeros([n_epoch])  fig_acc1 = np.zeros([n_epoch])  fig_acc2= np.zeros([n_epoch])  for epoch in range(n_epoch):   start_time = time.time()     #training   train_loss, train_acc, n_batch = 0, 0, 0   for x_train_a, y_train_a in minibatches(x_train, y_train, batch_size, shuffle=True):    _,err,ac=sess.run([train_op,loss,acc], feed_dict={x: x_train_a, y_: y_train_a})    train_loss += err; train_acc += ac; n_batch += 1      summary_str = sess.run(merged_summary_op,feed_dict={x: x_train_a, y_: y_train_a})    summary_writer.add_summary(summary_str, epoch)     print(" train loss: %f" % (np.sum(train_loss)/ n_batch))   print(" train acc: %f" % (np.sum(train_acc)/ n_batch))   fig_loss[epoch] = np.sum(train_loss)/ n_batch   fig_acc1[epoch] = np.sum(train_acc) / n_batch   #validation   val_loss, val_acc, n_batch = 0, 0, 0   for x_val_a, y_val_a in minibatches(x_val, y_val, batch_size, shuffle=False):    err, ac = sess.run([loss,acc], feed_dict={x: x_val_a, y_: y_val_a})    val_loss += err; val_acc += ac; n_batch += 1   print(" validation loss: %f" % (np.sum(val_loss)/ n_batch))   print(" validation acc: %f" % (np.sum(val_acc)/ n_batch))   fig_acc2[epoch] = np.sum(val_acc) / n_batch  # 訓練loss圖  fig, ax1 = plt.subplots()  lns1 = ax1.plot(np.arange(n_epoch), fig_loss, label="Loss")  ax1.set_xlabel('iteration')  ax1.set_ylabel('training loss')    # 訓練和驗證兩種準確率曲線圖放在一張圖中  fig2, ax2 = plt.subplots()  ax3 = ax2.twinx()#由ax2圖生成ax3圖  lns2 = ax2.plot(np.arange(n_epoch), fig_acc1, label="Loss")  lns3 = ax3.plot(np.arange(n_epoch), fig_acc2, label="Loss")    ax2.set_xlabel('iteration')  ax2.set_ylabel('training acc')  ax3.set_ylabel('val acc')   # 合併圖例  lns = lns3 + lns2  labels = ["train acc", "val acc"]  plt.legend(lns, labels, loc=7)    plt.show()

結果：

補充知識：tensorflow2.x實時繪製訓練時的損失和準確率

我就廢話不多說了，大家還是直接看程式碼吧！

  sgd = SGD(lr=float(model_value[3]), decay=1e-6, momentum=0.9, nesterov=True)  model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])  # validation_split：0~1之間的浮點數，用來指定訓練集的一定比例資料作為驗證集  history=model.fit(self.x_train, self.y_train, batch_size=self.batch_size, epochs=self.epoch_size, class_weight = 'auto', validation_split=0.1)  # 繪製訓練 & 驗證的準確率值  plt.plot(history.history['accuracy'])  plt.plot(history.history['val_accuracy'])  plt.title('Model accuracy')  plt.ylabel('Accuracy')  plt.xlabel('Epoch')  plt.legend(['Train', 'Test'], loc='upper left')  plt.show()     # 繪製訓練 & 驗證的損失值  plt.plot(history.history['loss'])  plt.plot(history.history['val_loss'])  plt.title('Model loss')  plt.ylabel('Loss')  plt.xlabel('Epoch')  plt.legend(['Train', 'Test'], loc='upper left')  plt.show()  print("savemodel---------------")  model.save(os.path.join(model_value[0],'model3_3.h5'))  #輸出損失和精確度  score = model.evaluate(self.x_test, self.y_test, batch_size=self.batch_size)