这篇文章主要介绍了终于搞懂了Keras中multiloss的对应关系介绍,具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
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， loss weights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~
import matplotlib.pyplot as plt ... //数据处理代码 省略 history = model.fit_generator( image_generator, steps_pe<i style="color:transparent">来源gaodai$ma#com搞$代*码*网</i>r_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('model accuracy') plt.ylabel('accuracy') plt.xlabel('epoch') plt.legend(['train', 'test'], loc='upper left') plt.savefig('acc.jpg-600') //loss plt.plot(history.history['loss']) plt.plot(history.history['val_loss']) plt.ylabel('loss') plt.xlabel('epoch') plt.legend(['train', 'test'], loc='upper left') plt.savefig('loss.jpg-600')
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gaodaima搞代码网。
以上就是终于搞懂了Keras中multiloss的对应关系介绍的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：终于搞懂了Keras中multiloss的对应关系介绍
转载请注明原文链接：终于搞懂了Keras中multiloss的对应关系介绍
