如何可视化tflite-model-maker中image_classifier.create()的模型训练过程？

报错原因说明 #

你执行model = model_spec.get('efficientnet_lite0')触发报错，是因为model_spec不是可直接全局调用的对象，需要先从对应模块导入才可以使用。同时这种手动实例化模型、调用compile和fit的写法完全脱离了TFLite Model Maker的封装逻辑，你手动训练的模型和用image_classifier.create训练的模型是两个完全独立的对象，自然也拿不到实际训练过程的历史数据。

训练后可视化方案 #

image_classifier.create方法返回的模型实例本身自带Keras训练历史属性，不需要修改原有训练逻辑，训练结束后直接提取model.history即可生成可视化曲线，示例代码如下：

import matplotlib.pyplot as plt

# 直接提取训练历史
history = model.history

# 绘制准确率曲线
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(history.history['accuracy'], label='训练准确率')
plt.plot(history.history['val_accuracy'], label='验证准确率')
plt.title('模型准确率')
plt.xlabel('训练轮次')
plt.ylabel('准确率')
plt.legend()

# 绘制损失曲线
plt.subplot(1, 2, 2)
plt.plot(history.history['loss'], label='训练损失')
plt.plot(history.history['val_loss'], label='验证损失')
plt.title('模型损失')
plt.xlabel('训练轮次')
plt.ylabel('损失值')
plt.legend()

plt.tight_layout()
plt.show()

训练过程实时可视化方案 #

如果需要在训练过程中实时查看指标变化，可以给create方法传入TensorBoard回调，操作步骤如下：

1. 导入并配置TensorBoard回调

from tensorflow.keras.callbacks import TensorBoard
import datetime

# 配置日志保存路径
log_dir = "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = TensorBoard(log_dir=log_dir, histogram_freq=1)

2. 把回调参数加到原有训练代码的create方法中

model = tflite_model_maker.image_classifier.create(
    train_data,
    model_spec='efficientnet_lite0',
    use_augmentation=True,
    validation_data=validation_data,
    epochs=30,
    dropout_rate=0.3,
    learning_rate=0.0001,
    shuffle=True,
    # 新增回调参数
    callbacks = [tensorboard_callback]
)

3. 训练启动后，在终端执行命令tensorboard --logdir logs/fit，按照终端提示打开浏览器访问对应本地地址，即可实时查看训练指标曲线。

注意：你不需要手动实例化ModelSpec、调用compile和fit方法，Model Maker的create接口已经封装了数据预处理、增强、模型编译、训练的全流程，手动写fit逻辑反而会丢失你配置的增强、自动预处理等特性。

内容的提问来源于stack exchange，提问作者ahmdksyrf