理解Keras中的History对象

调参在深度学习中十分重要，一组好的超参数能够直接决定系统的好坏。网络的超参数主要包括网络结构，学习率，正则化等，之前在做毕设的过程中，看到过一些调整超参数的blog和paper，改天可以整理一下。这篇blog主要是要介绍Keras框架中的History对象。History对象记录的是网络训练过程中的train_acc/train_loss/val_acc/val_loss等数值，而调整网络的超参数都是要通过这些数值进行调整。

History对象

talk is chearp ,show me the code

from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt
import numpy
# fix random seed for reproducibility
seed = 7
numpy.random.seed(seed)
# load pima indians dataset
dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",")
# split into input (X) and output (Y) variables
X = dataset[:,0:8]
Y = dataset[:,8]
# create model
model = Sequential()
model.add(Dense(12, input_dim=8, init='uniform', activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(1, init='uniform', activation='sigmoid'))
# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# Fit the model
history = model.fit(X, Y, validation_split=0.33, nb_epoch=150, batch_size=10, verbose=0) # list all data in history
print(history.history.keys())
# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()
# summarize history for loss
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()

看一下model.fit()到底返回什么

返回的是keras中的callback.History对象。Keras中的history回调函数会被自动启动到每一个Keras模型中，由fit返回。其中history字典记录的是训练过程中的训练集和验证集的精度。
打印一下history.history.keys()

dict_keys(['val_loss', 'val_acc', 'loss', 'acc'])

有四个key - > val_loss/val_acc/loss/acc

画误差率曲线和精度曲线

# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])

总结

model.fit()会一个History()回调函数对象（这里说的可能不是很准确），该对象中，包括4个属性
1.epoch
2.history - > 网络训练过程中的acc和loos，可视化训练过程
3.model
4.params - > batch_size等超参数

参考资料

https://cnbeining.github.io/deep-learning-with-python-cn/4-advanced-multi-layer-perceptrons-and-keras/ch15-understand-model-behavior-during-training-by-plotting-history.html
http://kyunsmile.github.io/2019/02/16/keras_CallBacks/

赏

谢谢你请我吃糖果