Question

我试图计算用KERAS写的y模型中训练精度的平均值，我有200个时期。因此，最后我想要将每个时期的每个训练准确度与前一个相加并将它们除以200 ..

这是我的代码

num = 200
total_sum = 0
for n in range(num):
    avg_train=np.array(model.fit(x_train,y_train, epochs=200, batch_size=64, verbose=2))
    total_sum = avg_train + total_sum
avg = total_sum/num

score=model.evaluate(x_test, y_test, verbose=2)
print(score)
print('the average is',avg)

我试图将每个精度存储在一个numpy数组中，以便能够在求和操作中使用它，但它给了我以下错误

Traceback (most recent call last):
  File "G:\Master Implementation\MLPADAM.py", line 87, in <module>
    total_sum = avg_train + total_sum
TypeError: unsupported operand type(s) for +: 'History' and 'int'

Answer 1

您的问题有几个问题......

首先，您的代码将适合200个时代200次的模型，即总共200 * 200 = 40,000个时期。

此外，由于Keras中的model.fit以递增方式运行，因此循环中model.fit的每次调用都将继续从前一次迭代停止的位置进行训练，因此最后您将确实安装了一个模型有40,000个时代。

假设这不是您想要做的，但您只想在训练期间获得平均准确度，答案是使用{{1}返回的History对象}};来自model.fit docs：

<强>返回

model.fit个对象。其History属性是连续纪元的培训损失值和指标值的记录，以及验证损失值和验证指标值（如果适用）。

所以，这里是MNIST的快速演示，只有5个时代（并且忘记了for循环！）：

History.history

# your model definition # your model.compile() batch_size = 128 epochs = 5 hist = model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_data=(x_test, y_test) # optional ) # output Train on 60000 samples, validate on 10000 samples Epoch 1/5 60000/60000 [==============================] - 76s - loss: 0.3367 - acc: 0.8974 - val_loss: 0.0765 - val_acc: 0.9742 Epoch 2/5 60000/60000 [==============================] - 73s - loss: 0.1164 - acc: 0.9656 - val_loss: 0.0516 - val_acc: 0.9835 Epoch 3/5 60000/60000 [==============================] - 74s - loss: 0.0866 - acc: 0.9741 - val_loss: 0.0411 - val_acc: 0.9863 Epoch 4/5 60000/60000 [==============================] - 73s - loss: 0.0730 - acc: 0.9781 - val_loss: 0.0376 - val_acc: 0.9871 Epoch 5/5 60000/60000 [==============================] - 73s - loss: 0.0639 - acc: 0.9810 - val_loss: 0.0354 - val_acc: 0.9881是一个字典，其中包含每个纪元的指标值：

hist.history

要获得每个时期的训练准确度：

hist.history
# result:
{'acc': [0.8973833333969117,
  0.9656000000635783,
  0.9740500000317891,
  0.9780500000635783,
  0.9810333334604899],
 'loss': [0.3367467244784037,
  0.11638248273332914,
  0.08664042545557023,
  0.07301943883101146,
  0.06391783343354861],
 'val_acc': [0.9742, 0.9835, 0.9863, 0.9871, 0.9881],
 'val_loss': [0.07650674062222243,
  0.051606363496184346,
  0.04107686730045825,
  0.03761903735231608,
  0.03537947320453823]}

，平均值只是

hist.history['acc']
# result:
[0.8973833333969117,
 0.9656000000635783,
 0.9740500000317891,
 0.9780500000635783,
 0.9810333334604899]

如何计算Keras训练精度的平均值？

1 个答案: