我来帮你理清这个问题，其实核心是你对Keras的History对象结构有点误解，咱们一步步解决：

问题根源 #

你提到的报错History object has no attribute 'history1'，是因为你错误地尝试访问History对象的history1属性，但实际上每个model.fit()返回的History实例，只有一个固定的history属性——这是一个字典，专门用来存储当前模型的训练/验证指标（比如loss、accuracy等）。

每个模型的训练历史是完全独立的，只要你用不同的变量名分别保存每个fit()的返回结果，就不会出现混淆的问题。

解决方案步骤 #

1. 分别保存每个模型的训练历史 #

给每个模型的训练历史分配独立的变量，比如history_seq、history_conv、history_mix，对应你的三个模型：

# 训练sequential模型，保存历史到history_seq
history_seq = sequential.fit(
    data_generator.flow(train_x, to_categorical(train_y), batch_size=BATCH_SIZE),
    steps_per_epoch=len(train_x) / BATCH_SIZE,
    validation_data=data_generator.flow(val_x, to_categorical(val_y), batch_size=BATCH_SIZE),
    validation_steps=len(val_x) / BATCH_SIZE,
    epochs=NUM_EPOCHS
)

# 训练conv模型，保存历史到history_conv
history_conv = conv.fit(
    data_generator.flow(train_x, to_categorical(train_y), batch_size=BATCH_SIZE),
    steps_per_epoch=len(train_x) / BATCH_SIZE,
    validation_data=data_generator.flow(val_x, to_categorical(val_y), batch_size=BATCH_SIZE),
    validation_steps=len(val_x) / BATCH_SIZE,
    epochs=NUM_EPOCHS
)

# 训练mix模型，保存历史到history_mix
history_mix = mix.fit(
    data_generator.flow(train_x, to_categorical(train_y), batch_size=BATCH_SIZE),
    steps_per_epoch=len(train_x) / BATCH_SIZE,
    validation_data=data_generator.flow(val_x, to_categorical(val_y), batch_size=BATCH_SIZE),
    validation_steps=len(val_x) / BATCH_SIZE,
    epochs=NUM_EPOCHS
)

2. 绘制单个模型的损失曲线 #

用你原本的绘图代码，替换对应的History对象即可，每个模型的曲线互不干扰：

# 绘制sequential模型的损失曲线
plt.plot(history_seq.history['loss'])
plt.plot(history_seq.history['val_loss'])
plt.title('Sequential Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Validation'], loc='upper right')
plt.show()

# 绘制conv模型的损失曲线
plt.plot(history_conv.history['loss'])
plt.plot(history_conv.history['val_loss'])
plt.title('Conv Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Validation'], loc='upper right')
plt.show()

# 绘制mix模型的损失曲线
plt.plot(history_mix.history['loss'])
plt.plot(history_mix.history['val_loss'])
plt.title('Mix Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Validation'], loc='upper right')
plt.show()

3. 可选：多模型损失曲线对比 #

如果想把三个模型的训练/验证损失放在同一张图里对比，方便观察差异，可以这样写：

plt.figure(figsize=(10, 6))

# 绘制sequential模型的损失
plt.plot(history_seq.history['loss'], label='Sequential Train')
plt.plot(history_seq.history['val_loss'], label='Sequential Val')

# 绘制conv模型的损失
plt.plot(history_conv.history['loss'], label='Conv Train')
plt.plot(history_conv.history['val_loss'], label='Conv Val')

# 绘制mix模型的损失
plt.plot(history_mix.history['loss'], label='Mix Train')
plt.plot(history_mix.history['val_loss'], label='Mix Val')

plt.title('All Models Loss Comparison')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(loc='upper right')
plt.grid(True)
plt.show()

这样你就能清晰地区分每个模型的训练历史，再也不会出现属性错误啦。

内容的提问来源于stack exchange，提问作者Maha Al