请在最后添加显示学习率和准确率的曲线 # 编译模型 adam = Adam(lr=0.005)#设置学习率0.01 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 定义回调函数 reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.2, patience=5, min_lr=0.001) # 训练模型 model.fit(X_train, y_train, batch_size=16, epochs=30, validation_data=(X_test, y_test), callbacks=[reduce_lr])

可以使用 Keras 中的回调函数 `LearningRateScheduler` 和 `History` 来实现显示学习率和准确率的曲线。具体的代码如下：

from keras.callbacks import LearningRateScheduler, History

# 学习率衰减函数
def lr_scheduler(epoch, lr):
    if epoch % 10 == 0 and epoch != 0:
        lr = lr * 0.1
    return lr

reduce_lr = LearningRateScheduler(lr_scheduler)

history = History()

# 编译模型
adam = Adam(lr=0.005)
model.compile(optimizer=adam, loss='binary_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, batch_size=16, epochs=30, validation_data=(X_test, y_test), callbacks=[reduce_lr, history])

# 绘制学习率曲线
import matplotlib.pyplot as plt

lrs = [lr_scheduler(i, 0.005) for i in range(30)]
plt.plot(range(30), lrs)
plt.xlabel('Epoch')
plt.ylabel('Learning rate')
plt.show()

# 绘制准确率曲线
plt.plot(range(1, 31), history.history['accuracy'], label='Training accuracy')
plt.plot(range(1, 31), history.history['val_accuracy'], label='Validation accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

这个代码中，`lr_scheduler` 函数定义了学习率衰减规则，每 10 个 epoch 就将学习率乘以 0.1。`LearningRateScheduler` 回调函数将这个函数作为参数传入，用于更新学习率。`History` 回调函数用于记录训练过程中的指标，包括训练集和测试集的准确率。最后，使用 Matplotlib 库绘制学习率和准确率曲线。