一、loss、acc提取

　　有时候我们需要查看每个batch训练时候的损失loss与准确率acc，这样可以帮助我们挑选合适的epoch以及查看模型是否收敛。

　　Model.fit()在调用时会返回一个History类，这个类的一个属性Historty.history是一个字典，里面就包含了每一个batch的测试集与验证集的loss、acc。

# 模型训练
history = model.fit(train_images, train_labels, batch_size=50, epochs=5, validation_split=0.1, verbose=1)

history.history.keys()  # 查看字典的键

loss = history.history['loss']  # 测试集损失
acc = history.history['acc']  # 测试集准确率
val_loss = history.history['val_loss']  # 验证集损失
val_acc = history.history['val_acc']  # 验证集准确率

　　

二、使用matplotlib可视化

　　这里可视化用到的包是matplotlib，暂不提供在tensorboard上的可视化，详细使用如下。

import tensorflow as tf
import matplotlib.pyplot as plt

# 读取数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.fashion_mnist.load_data()

# 数据集归一化
train_images = train_images / 255
train_labels = train_labels / 255  # 进行数据的归一化，加快计算的进程

# 创建模型结构
net_input = tf.keras.Input(shape=(28, 28))
fl = tf.keras.layers.Flatten()(net_input)  # 调用input
l1 = tf.keras.layers.Dense(32, activation="relu")(fl)
l2 = tf.keras.layers.Dropout(0.5)(l1)
net_output = tf.keras.layers.Dense(10, activation="softmax")(l2)

# 创建模型类
model = tf.keras.Model(inputs=net_input, outputs=net_output)

# 查看模型的结构
model.summary()

# 模型编译
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
              loss="sparse_categorical_crossentropy",
              metrics=['acc'])

# 模型训练
history = model.fit(train_images, train_labels, batch_size=50, epochs=5, validation_split=0.1, verbose=1)

history.history.keys()  # 查看字典的键

loss = history.history['loss']  # 测试集损失
acc = history.history['acc']  # 测试集准确率
val_loss = history.history['val_loss']  # 验证集损失
val_acc = history.history['val_acc']  # 验证集准确率

# 可视化，定义2*2的画布
plt.figure()
plt.subplot(221)
plt.plot(loss)
plt.title('loss')
plt.subplot(222)
plt.plot(acc)
plt.title('acc')
plt.subplot(223)
plt.plot(val_loss)
plt.title('val_loss')
plt.subplot(224)
plt.plot(val_acc)
plt.title('val_acc')
plt.show()

输出结果：