如何使用Pyplot绘制Keras模型训练准确率曲线及解决运行报错问题

代码错误修正方案 #

以下是你代码中存在的问题和对应修改方法：

• 缺失绘图库导入：你直接使用plt调用绘图接口，但没有导入对应依赖，在代码开头添加导入语句即可：

  import matplotlib.pyplot as plt
  

• 优化器参数不兼容：新版本TensorFlow的Adam优化器已废弃lr参数，替换为learning_rate，修改编译部分的优化器配置：

  optimizer=tf.keras.optimizers.Adam(learning_rate=base_learning_rate)
  

• 损失函数与输出层配置不匹配：你输出层用2神经元+softmax激活的配置，对应多分类损失函数，同时from_logits=True要求输出层没有激活函数，两者完全冲突，两种修改方案二选一即可：
  • 方案1（适配二分类场景）：输出层改为1神经元+sigmoid激活，损失函数保持BinaryCrossentropy，删除from_logits=True参数

    # 输出层修改
    tf.keras.layers.Dense(1, activation="sigmoid")
    # 损失函数修改
    loss=tf.keras.losses.BinaryCrossentropy()
    

  • 方案2（保持2分类softmax输出）：损失函数替换为多分类交叉熵，关闭logits参数，同时确认你的标签已经做了one-hot编码

    loss=tf.keras.losses.CategoricalCrossentropy(from_logits=False)
    

• 训练变量未定义：你没有加载本地数据集、做预处理和训练集验证集拆分，x_train/y_train/x_val/y_val四个变量都不存在，需要补充数据集加载和拆分的代码，示例逻辑如下：

  # 此处替换为你自己的数据集加载逻辑，示例为加载本地图片目录
  dataset = tf.keras.utils.image_dataset_from_directory(
      "你的数据集目录路径",
      image_size=(224,224),
      batch_size=32,
      label_mode="categorical"
  )
  # 拆分训练集验证集
  train_size = int(0.8 * len(dataset))
  val_size = len(dataset) - train_size
  x_train = dataset.take(train_size)
  x_val = dataset.skip(train_size).take(val_size)
  

修正后完整可运行代码参考 #

import tensorflow as tf
import matplotlib.pyplot as plt

# 加载数据集，替换为你自己的数据集路径
dataset = tf.keras.utils.image_dataset_from_directory(
    "./dataset",
    image_size=(224, 224),
    batch_size=32,
    label_mode="categorical"
)
# 拆分训练验证集
train_size = int(0.8 * len(dataset))
val_size = len(dataset) - train_size
x_train = dataset.take(train_size)
x_val = dataset.skip(train_size).take(val_size)

base_model = tf.keras.applications.MobileNetV2(input_shape = (224, 224, 3), include_top = False, weights = "imagenet")
base_model.trainable = False

model = tf.keras.Sequential([
    base_model,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(2, activation="softmax")                                     
])

base_learning_rate = 0.00001
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=base_learning_rate),
              loss=tf.keras.losses.CategoricalCrossentropy(from_logits=False),
              metrics=['accuracy'])

history = model.fit(x_train, epochs = 500 , validation_data = x_val)
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs_range = range(500)

plt.figure(figsize=(15, 15))
plt.subplot(2, 2, 1)
plt.plot(epochs_range, acc, label='训练准确率')
plt.plot(epochs_range, val_acc, label='验证准确率')
plt.legend(loc='lower right')
plt.title('训练和验证准确率')

plt.subplot(2, 2, 2)
plt.plot(epochs_range, loss, label='训练损失')
plt.plot(epochs_range, val_loss, label='验证损失')
plt.legend(loc='upper right')
plt.title('训练和验证损失')
plt.show()

内容的提问来源于stack exchange，提问作者Nusry KR