当我们建立好深度学习模型后,就可以使用反向传播算法,进行训练.

1,定义训练方式

在训练模型之前,我们必须使用compile方法对训练模型进行设置,如下列指令:

model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])

2.开始训练

使用model.fit进行训练,训练过程会存储在train_history变量中,这个训练需输入下列参数

model.fit(x=x_Train4D_normalize,y=y_TrainOneHot,validation_split=0.2,epochs=10,batch_size=300,verbose=2)

(1)输入训练数据参数

x=x_Train4D_normalize
y=y_TrainOneHot

(2)设置参数validation_split=0.2

训练之前KERAS会自动将数据分成80%训练数据,20%验证数据

(3)设置周期次数与每一批次项数

epochs=10
batch_size=300

(4)设置显示训练过程

verbose=2

Epoch 1/10

– 44s – loss: 0.4913 – acc: 0.8468 – val_loss: 0.0968 – val_acc: 0.9725

Epoch 2/10

– 45s – loss: 0.1405 – acc: 0.9589 – val_loss: 0.0637 – val_acc: 0.9802

Epoch 3/10

– 45s – loss: 0.1021 – acc: 0.9694 – val_loss: 0.0516 – val_acc: 0.9838

Epoch 4/10

– 44s – loss: 0.0846 – acc: 0.9751 – val_loss: 0.0463 – val_acc: 0.9856

Epoch 5/10

– 46s – loss: 0.0727 – acc: 0.9780 – val_loss: 0.0397 – val_acc: 0.9879

Epoch 6/10

– 45s – loss: 0.0649 – acc: 0.9805 – val_loss: 0.0395 – val_acc: 0.9884

Epoch 7/10

– 45s – loss: 0.0566 – acc: 0.9829 – val_loss: 0.0444 – val_acc: 0.9868

Epoch 8/10

– 45s – loss: 0.0520 – acc: 0.9841 – val_loss: 0.0335 – val_acc: 0.9898

Epoch 9/10

– 45s – loss: 0.0453 – acc: 0.9862 – val_loss: 0.0344 – val_acc: 0.9904

Epoch 10/10

– 45s – loss: 0.0431 – acc: 0.9868 – val_loss: 0.0347 – val_acc: 0.9903

从以上执行结果的屏幕显示界面可以看到共执行了10个训练周期 ,从中可以发现误差越来越小,准确率越来越高

3.画出准确率执行结果

之前的训练步骤会将每一个训练周期的准确率与误差记录在train_history变量中

我们可以使用下面的程序代码读取train_histroy,画出准确率的执行结果

 

4.画出误差执行结果