You need to enable JavaScript to run this app. Python Keras CNN训练后绘图报KeyError,咨询如何将局部训练指标设为全局
优惠活动
大模型
产品
解决方案
定价
更多

Python Keras CNN训练后绘图报KeyError,咨询如何将局部训练指标设为全局

Keras CNN 训练可视化报错修复说明

核心问题根因

根本不需要将accuracy、loss等值手动设置为全局变量,现有报错是代码逻辑和环境适配问题共同导致的,具体错点如下:

  • 训练过程生成的history对象没有从CNN函数中导出:在CNN函数内部通过model.fit()拿到的history是函数局部变量,函数返回时仅返回了模型和混淆矩阵数据,外部完全拿不到完整的训练指标记录。
  • 绘图函数的参数使用逻辑混乱:绘图函数虽然定义了history入参,但函数内部完全没有使用传入的参数,反而通过model.history.history这种重复嵌套的方式访问全局模型的历史记录,不仅逻辑冗余,当模型未完成训练时model.history为None,会直接触发属性不存在的报错。
  • 绘图逻辑硬编码不匹配实际训练参数:函数内写死了10个epoch的数组长度,但实际训练仅设置了3个epoch,就算key匹配也会出现数组长度不一致的绘图错误。
  • 版本适配缺失导致KeyError:不同版本的Keras对训练准确率的键名存在差异,旧版使用acc/val_acc,新版使用accuracy/val_accuracy,直接硬取键名很容易触发找不到键的报错。

具体修复步骤

  1. 修改CNN函数的返回值,把训练得到的history对象一并返回
    原返回代码:

    return model,confusion_mtx
    

    修改为:

    return model, confusion_mtx, history
    

    对应调用CNN函数的代码同步修改,接收返回的history对象:

    model, conf_mat, train_history = CNN(X_train,y_trainHot,X_test,y_testHot,1)
    
  2. 重写绘图函数,移除对全局model的无效依赖,兼容不同Keras版本的键名,自动匹配实际训练轮数:

    def plot_accuracy_loss_chart(history):
        # 自动读取实际训练的epoch数量,不硬编码长度
        epoch_total = len(history.history['loss'])
        epochs = list(range(epoch_total))
        fig , ax = plt.subplots(1,2)
        # 兼容新旧Keras版本的键名
        train_acc = history.history.get('accuracy', history.history.get('acc'))
        train_loss = history.history['loss']
        val_acc = history.history.get('val_accuracy', history.history.get('val_acc'))
        val_loss = history.history['val_loss']
        
        fig.set_size_inches(20,10)
        ax[0].plot(epochs , train_acc , 'go-' , label = 'Training Accuracy')
        ax[0].plot(epochs , val_acc , 'ro-' , label = 'Validation Accuracy')
        ax[0].set_title('Training & Validation Accuracy')
        ax[0].legend()
        ax[0].set_xlabel("Epochs")
        ax[0].set_ylabel("Accuracy")
    
        ax[1].plot(epochs , train_loss , 'g-o' , label = 'Training Loss')
        ax[1].plot(epochs , val_loss , 'r-o' , label = 'Validation Loss')
        ax[1].set_title('Training & Validation Loss')
        ax[1].legend()
        ax[1].set_xlabel("Epochs")
        ax[1].set_ylabel("Training & Validation Loss")
        plt.show()
    
  3. 调用绘图函数时传入之前从CNN函数拿到的train_history对象即可:

    plot_accuracy_loss_chart(train_history)
    

注意事项

  • 不要为了传值把训练指标手动设为全局变量,通过函数返回值传递数据的耦合度更低,后续调整训练参数、替换模型逻辑时不会出现引用旧全局值的问题。
  • 绘图时的epoch数组长度一定要和训练轮数保持一致,从history对象动态取长度是最稳妥的方案,不要根据预期的训练数硬编码固定长度。
  • 取训练指标时优先用字典get方法兜底不同版本的键名,避免跨环境部署时出现同类KeyError。

内容的提问来源于stack exchange,提问作者user15470345

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.28 20:06:04