markers = {'train': 'o', 'test': 's'} x = np.arange(max) print("训练",trainer.train_acc_list) print("测试",trainer.test_acc_list) plt.plot(x, trainer.train_acc_list, marker='o', label='train', markevery=2) plt.plot(x, trainer.test_acc_list, marker='s', label='test', markevery=2) plt.xlabel("epochs") plt.ylabel("accuracy") plt.ylim(0, 1.0) plt.legend(loc='lower right') plt.show()

这段代码的作用是绘制深度卷积神经网络在训练集和测试集上的精度曲线。具体来说，代码首先定义了一个字典 markers，用于指定训练集和测试集的不同标记样式。然后，使用 np.arange 函数生成一个长度为 max 的等差数列，表示每个训练轮次的编号。接着，打印训练集和测试集的精度列表，以便观察网络训练的效果。最后，使用 plt.plot 函数绘制训练集和测试集的精度曲线。其中，第一个参数为 x 轴数据，即训练轮次编号；第二个参数为 y 轴数据，即训练集或测试集的精度列表；marker 参数为标记样式，根据训练集或测试集选择不同的标记样式；label 参数为标签文本，用于表示不同的数据集；markevery 参数为标记间隔，每隔 2 个轮次绘制一个标记；xlabel 和 ylabel 分别用于设置 x 轴和 y 轴的标签；plt.ylim 用于设置 y 轴的显示范围；plt.legend 用于添加图例，并指定其位置为右下角；最后，使用 plt.show 函数显示绘制的图像。