keras如何绘制acc

在Keras中，可以使用`matplotlib`库来绘制模型的训练和验证准确率（accuracy）的变化。下面是一些示例代码，可以帮助你绘制训练和验证准确率的变化图表：

from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
import matplotlib.pyplot as plt

# 构建模型
model = Sequential()
model.add(Dense(64, input_dim=8, activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer=Adam(lr=0.001), metrics=['accuracy'])

# 训练模型
history = model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=50, batch_size=32)

# 绘制训练和验证准确率的变化图表
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper left')
plt.show()

在上面的示例代码中，我们定义了一个简单的神经网络模型，并使用Adam优化器和二元交叉熵作为损失函数来编译模型。我们使用`fit()`函数在训练数据上训练模型，并传递测试数据作为验证数据。训练过程中，我们记录了训练和验证准确率的变化，并将其存储在`history`变量中。最后，我们使用`matplotlib`库绘制了训练和验证准确率的变化图表。