使用Keras Functional模型迁移学习绘制精度曲线时遇AttributeError问题

错误原因 #

你传给plot_performance_acc函数的参数是模型对象（Functional类型），但这个函数需要的是模型训练后返回的History对象。model.fit()方法会返回一个History实例，它包含.history和.epoch属性；而模型本身（比如你用函数式API创建的EfficientNet模型）没有这些属性，因此触发报错。

解决方案 #

1. 修正函数调用逻辑 #

训练模型时，务必保存model.fit()返回的History对象，再将其传入绘图函数：

# 初始化并训练模型，保存训练历史
model_06 = get_model()
model_06.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.1),
                 loss='binary_crossentropy',
                 metrics=['accuracy'])
history_06 = model_06.fit(train_data, epochs=..., validation_data=val_data)

# 同理处理其他不同学习率的模型
model_07 = get_model()
model_07.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01), ...)
history_07 = model_07.fit(...)

history_08 = ...
history_09 = ...
history_10 = ...

# 调用绘图函数时传入History对象而非模型
plot_performance_acc(history_06, history_07, history_08, history_09, history_10)

2. 优化绘图函数（可选） #

可以重构函数，让它支持可变数量的输入，减少重复代码：

def plot_performance_acc(histories, labels):
    plt.rcParams['figure.figsize'] = (20, 10)
    
    # 绘制训练精度曲线
    plt.subplot(1, 2, 1)
    for hist, label in zip(histories, labels):
        epochs = range(len(hist.history['accuracy']))
        plt.plot(epochs, hist.history['accuracy'], label=label)
    
    plt.xlabel('Epochs')
    plt.ylabel('Accuracy')
    plt.title('Training accuracy with Adam optimizer')
    plt.legend(loc='lower right')
    
    # 绘制验证精度曲线
    plt.subplot(1, 2, 2)
    for hist, label in zip(histories, labels):
        epochs = range(len(hist.history['val_accuracy']))
        plt.plot(epochs, hist.history['val_accuracy'], label=label)
    
    plt.xlabel('Epochs')
    plt.ylabel('Accuracy')
    plt.title('Validation accuracy with Adam optimizer')
    plt.legend(loc='lower right')

    plt.tight_layout(2)
    fig1 = plt.gcf()
    plt.show()
    plt.draw()
    fig1.savefig('acc.png', dpi=50)

# 调用示例
histories = [history_06, history_07, history_08, history_09, history_10]
labels = ['Learning Rate: 0.1', 'Learning Rate: 0.01', 'Learning Rate: 0.001', 'Learning Rate: 0.0001', 'Learning Rate: 0.00001']
plot_performance_acc(histories, labels)

补充提醒 #

无论自定义CNN还是迁移学习模型，训练后都要区分模型对象和训练历史对象：模型用于预测、保存等操作，训练历史才是绘图需要的数据源。

内容的提问来源于stack exchange，提问作者5hi