Tensorflowを使用して、Pythonを使用してトレーニング結果を視覚化するにはどうすればよいですか？

トレーニング結果は、「matplotlib」ライブラリを使用してPythonを使用したTensorflowで視覚化できます。 「plot」メソッドは、コンソールにデータをプロットするために使用されます。

続きを読む： TensorFlowとは何ですか？KerasはTensorFlowとどのように連携してニューラルネットワークを作成しますか？

Keras Sequential APIを使用します。これは、すべてのレイヤーに1つの入力テンソルと1つの出力テンソルがあるプレーンスタックのレイヤーを操作するために使用されるシーケンシャルモデルの構築に役立ちます。

少なくとも1つの層を含むニューラルネットワークは、畳み込み層と呼ばれます。畳み込みニューラルネットワークを使用して、学習モデルを構築できます。

画像分類子はkeras.Sequentialモデルを使用して作成され、データはpreprocessing.image_dataset_from_directoryを使用して読み込まれます。データはディスクから効率的にロードされます。過剰適合が特定され、それを軽減するための手法が適用されます。これらの手法には、データ拡張とドロップアウトが含まれます。 3700本の花の画像があります。このデータセットには5つのサブディレクトリが含まれており、クラスごとに1つのサブディレクトリがあります。それらは、デイジー、タンポポ、バラ、ヒマワリ、チューリップです。

Google Colaboratoryを使用して、以下のコードを実行しています。 Google ColabまたはColaboratoryは、ブラウザー上でPythonコードを実行するのに役立ち、構成が不要で、GPU（グラフィックプロセッシングユニット）に無料でアクセスできます。 ColaboratoryはJupyterNotebookの上に構築されています。

例

print("Calculating the accuracy")
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
print("Calculating the loss")
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)
print("The results are being visualized")
plt.figure(figsize=(8, 8))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)

plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

コードクレジット-https：//www.tensorflow.org/tutorials/images/classification

出力

Calculating the accuracy
Calculating the loss
The results are being visualized

説明

• 上記のプロットは、トレーニングの精度と検証の精度が同期していないことを示しています。

• モデルは、検証データセットで約60％の精度しか達成していません。

• これは過剰適合として知られています。

• トレーニングの精度は時間の経過とともに直線的に向上しましたが、検証の精度はトレーニングプロセスで約60％で停滞しています。

• トレーニング例の数が少ない場合、モデルはトレーニング例のノイズや不要な詳細から学習します。

• これは、新しい例でのモデルのパフォーマンスに悪影響を及ぼします。

• 過剰適合のため、モデルは新しいデータセットでうまく一般化できなくなります。

• 過剰適合を回避する方法はたくさんあります。過剰適合を克服するためにデータ拡張を使用します。