终于搞懂了Keras中multiloss的对应关系介绍
我就废话不多说了,大家还是直接看代码吧~
model=Model(inputs=[src,tgt],outputs=[y,flow]) #定义网络的时候会给出输入和输出 model.compile(optimizer=Adam(lr=lr),loss=[ losses.cc3D(),losses.gradientLoss('l2')],loss_weights=[1.0,reg_param]) #训练网络的时候指定loss,如果是多loss, lossweights分别对应前面的每个loss的权重,最后输出loss的和 train_loss=model.train_on_batch( [X,atlas_vol],[atlas_vol,zero_flow]) #开始训练,loss中y_pred和y_true的对应关系是: #输出y与atlas_vol算cc3Dloss,输出flow与zero_flow算gradientloss
补充知识:keras服务器用fit_generator跑的代码,loss,acc曲线图的保存
我就废话不多说了,大家还是直接看代码吧~
importmatplotlib.pyplotasplt ...//数据处理代码省略 history=model.fit_generator( image_generator,steps_per_epoch=2000//32, epochs=16,verbose=1, validation_data=image_generator_TEST,validation_steps=20 ) print(history.history.keys()) plt.switch_backend('agg')#服务器上面保存图片需要设置这个 //acc plt.plot(history.history['acc']) plt.plot(history.history['val_acc']) plt.title('modelaccuracy') plt.ylabel('accuracy') plt.xlabel('epoch') plt.legend(['train','test'],loc='upperleft') plt.savefig('acc.jpg') //loss plt.plot(history.history['loss']) plt.plot(history.history['val_loss']) plt.ylabel('loss') plt.xlabel('epoch') plt.legend(['train','test'],loc='upperleft') plt.savefig('loss.jpg')
以上这篇终于搞懂了Keras中multiloss的对应关系介绍就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。