CNN模型监控训练效果代码
时间: 2023-11-09 20:10:59 浏览: 47
下面是一个简单的CNN模型监控训练效果的代码示例,使用了TensorBoard可视化工具:
```python
import tensorflow as tf
from tensorflow.keras.datasets import mnist
# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 数据预处理
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)
# 定义CNN模型
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
tf.keras.layers.MaxPooling2D((2, 2)),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(10, activation='softmax')
])
# 编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 定义TensorBoard回调
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir="./logs")
# 训练模型
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), callbacks=[tensorboard_callback])
# 在终端中输入以下命令启动TensorBoard
# tensorboard --logdir=./logs
```
在上面的代码中,我们首先加载了MNIST数据集,然后进行了数据预处理。接着,我们定义了一个简单的CNN模型,并对模型进行了编译。在训练模型时,我们使用了一个TensorBoard回调,将日志保存在"./logs"目录下。最后,在终端中输入"tensorboard --logdir=./logs"命令启动TensorBoard,即可通过浏览器查看训练过程中的各种指标、损失函数和准确率等信息。