前言
在使用神经网络进行模型训练的时候，我们可以通过误差损失函数、精度等一系列指标来判断最终神经网络的拟合效果，一般的问题中，无论是回归还是拟合，本质上都是“一个拟合过程”，我们一定特别希望知道，网络每训练一次，这个你和到底到达了一个什么程度，距离我的真实数据差别还有多少，本文通过一个简单的例子来实现这样的功能，动态展示网络拟合的程度。
目录
一、最终效果图展示
二、实验案例
2.1 开发环境以及要求
2.2 训练数据的产生
2.3 网络的结构
三、网络的搭建与模型训练
3.1 网络的定义以及实现
3.2 训练模型保存
3.3 模型的搭建和保存代码
四、完整代码以及最终效果展示
一、最终效果图展示
二、实验案例
2.1 开发环境以及要求
本文神经网络的搭建使用的是keras开发框架，绘制动态图使用的是matplotlib绘图库。
2.2 训练数据的产生
由于本文所搭建的网络很小，只是为了展示如何动态展示训练过程，所以以一个标准正弦函数作为拟合基础，在一个正弦波函数上选择了20组数据作为训练，本文只展示，所以什么验证、测试等工作均没有进行。
----------------------------------------------
已知下面采样自Sin函数的数据：
x y
1 0.093 -0.81
2 0.58 -0.45
3 1.04 -0.007
4 1.55 0.48
5 2.15 0.89
6 2.62 0.997
7 2.71 0.995
8 2.73 0.993
9 3.03 0.916
10 3.14 0.86
11 3.58 0.57
12 3.66 0.504
13 3.81 0.369
14 3.83 0.35
15 4.39 -0.199
16 4.44 -0.248
17 4.6 -0.399
18 5.39 -0.932
19 5.54 -0.975
20 5.76 -0.999
----------------------------------------------
2.3 网络的结构
从上面的样本数据可以得知，本文的网络中，输入的特征就是一个x,输出值是一个y,所以本次网络的输入节点为1、输出节点也是1、中间的隐藏层神经元为10，当然这个隐藏层神经元这里是可以随便设置的，最终的网络结构如下：
本文最终要做的事就是，通过一个简单的三层神经网络训练一个Sin函数的拟合器，并可视化模型训练过程的拟合曲线。
三、网络的搭建与模型训练
3.1 网络的定义以及实现
import math;
import random;
from matplotlib import pyplot as plt
from keras.models import Sequential
from keras.layers.core import Dense
from keras.optimizers import Adam
import numpy as np
from keras.callbacks import ModelCheckpoint
import os
#采样函数
def sample(low, up, num):
data = [];
for i in range(num):
#采样
tmp = random.uniform(low, up);
data.append(tmp);
data.sort();
return data;
#sin函数
def func(x):
y = [];
for i in range(len(x)):
tmp = math.sin(x[i] - math.pi/3);
y.append(tmp);
return y;
#获取模型拟合结果
def getfit(model,x):
y = [];
for i in range(len(x)):
tmp = model.predict([x[i]], 10);
y.append(tmp[0][0]);
return y;
#删除同一目录下的所有文件
def del_file(path):
ls = os.listdir(path)
for i in ls:
c_path = os.path.join(path, i)
if os.path.isdir(c_path):
del_file(c_path)
else:
os.remove(c_path)
if __name__ == '__main__':
path = 'E:/Model/';
del_file(path);
low = 0;
up = 2 * math.pi;
x = np.linspace(low, up, 1000);
y = func(x);
# 数据采样
# x_sample = sample(low,up,20);
x_sample = [0.09326442022999694, 0.5812590520508311, 1.040490143783586, 1.5504427746047338, 2.1589557183817036, 2.6235357787018407, 2.712578091093361, 2.7379109336528167, 3.0339662651841186, 3.147676812083248, 3.58596337171837, 3.6621496731124314, 3.81130899864203, 3.833092859928872, 4.396611340802901, 4.4481080339256875, 4.609657879057151, 5.399731063412583, 5.54299720786794, 5.764084730699906];
y_sample = func(x_sample);
# callback
filepath='E:/Model/weights-improvement-{epoch:00d}.hdf5';
checkpoint= ModelCheckpoint(filepath, verbose=1, save_best_only=False, mode='max');
callbacks_list= [checkpoint];
# 建立顺序神经网络层次模型
model = Sequential();
model.add(Dense(10, input_dim=1, init='uniform', activation='relu'));
model.add(Dense(1, init='uniform', activation='tanh'));
adam = Adam(lr = 0.05);
model.compile(loss='mean_squared_error', optimizer=adam, metrics=['accuracy']);
model.fit(x_sample, y_sample, nb_epoch=1000, batch_size=20,callbacks=callbacks_list);
#测试数据
x_new = np.linspace(low, up, 1000);
y_new = getfit(model,x_new);
# 数据可视化
plt.plot(x,y);
plt.scatter(x_sample, y_sample);
plt.plot(x_new,y_new);
plt.show();
3.2 训练模型保存
在神经网络训练的过程中，有一个非常重要的操作，就是将训练过程中模型的参数保存到本地，这是后面拟合过程可视化的基础。训练过程中保存的模型文件，如下图所示。
模型保存的关键在于fit函数中callback函数的设置，注意到，下面的代码，每次迭代，算法都会执行callbacks函数指定的函数列表中的方法。这里，我们的回调函数设置为ModelCheckpoint，其参数如下表所示：
参数的含义
（1）filename： 字符串，保存模型的路径
（2）verbose： 0或1
（3）mode： ‘auto’，‘min’，‘max’
（4）monitor： 需要监视的值
（5）save_best_only： 当设置为True时，监测值有改进时才会保存当前的模型。在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当监测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断
（6）save_weights_only： 若设置为True，则只保存模型权重，否则将保存整个模型（包括模型结构，配置信息等）
（7）period CheckPoint之间的间隔的epoch数
3.3 模型的搭建和保存代码
# callback
filepath='E:/Model/weights-improvement-{epoch:00d}.hdf5';
checkpoint= ModelCheckpoint(filepath, verbose=1, save_best_only=False, mode='max');
callbacks_list= [checkpoint];
# 建立顺序神经网络层次模型
model = Sequential();
model.add(Dense(10, input_dim=1, init='uniform', activation='relu'));
model.add(Dense(1, init='uniform', activation='tanh'));
adam = Adam(lr = 0.05);
model.compile(loss='mean_squared_error', optimizer=adam, metrics=['accuracy']);
model.fit(x_sample, y_sample, nb_epoch=1000, batch_size=20,callbacks=callbacks_list);
四、完整代码以及最终效果展示
import math;
import random;
from matplotlib import pyplot as plt
from keras.models import Sequential
from keras.layers.core import Dense
import numpy as np
import matplotlib.animation as animation
from PIL import Image
#定义kdd99数据预处理函数
def sample(low, up, num):
data = [];
for i in range(num):
#采样
tmp = random.uniform(low, up);
data.append(tmp);
data.sort();
return data;
def func(x):
y = [];
for i in range(len(x)):
tmp = math.sin(x[i] - math.pi/3);
y.append(tmp);
return y;
def getfit(model,x):
y = [];
for i in range(len(x)):
tmp = model.predict([x[i]], 10);
y.append(tmp[0][0]);
return y;
def init():
fpath = 'E:/imgs/0.jpg';
img = Image.open(fpath);
plt.axis('off') # 关掉坐标轴为 off
return plt.imshow(img);
def update(i):
fpath = 'E:/imgs/' + str(i) + '.jpg';
img = Image.open(fpath);
plt.axis('off') # 关掉坐标轴为 off
return plt.imshow(img);
if __name__ == '__main__':
low = 0;
up = 2 * math.pi;
x = np.linspace(low, up, 1000);
y = func(x);
# 数据采样
# x_sample = sample(low,up,20);
x_sample = [0.09326442022999694, 0.5812590520508311, 1.040490143783586, 1.5504427746047338, 2.1589557183817036, 2.6235357787018407, 2.712578091093361, 2.7379109336528167, 3.0339662651841186, 3.147676812083248, 3.58596337171837, 3.6621496731124314, 3.81130899864203, 3.833092859928872, 4.396611340802901, 4.4481080339256875, 4.609657879057151, 5.399731063412583, 5.54299720786794, 5.764084730699906];
y_sample = func(x_sample);
# 建立顺序神经网络层次模型
model = Sequential();
model.add(Dense(10, input_dim=1, init='uniform', activation='relu'));
model.add(Dense(1, init='uniform', activation='tanh'));
plt.ion(); #开启interactive mode 成功的关键函数
fig = plt.figure(1);
for i in range(100):
filepath='E:/Model/weights-improvement-' + str(i + 1) + '.hdf5';
model.load_weights(filepath);
#测试数据
x_new = np.linspace(low, up, 1000);
y_new = getfit(model,x_new);
# 显示数据
plt.clf();
plt.plot(x,y);
plt.scatter(x_sample, y_sample);
plt.plot(x_new,y_new);
ffpath = 'E:/imgs/' + str(i) + '.jpg';
plt.savefig(ffpath);
plt.pause(0.01) # 暂停0.01秒
ani = animation.FuncAnimation(plt.figure(2), update,range(100),init_func=init, interval=500);
ani.save('E:/test.gif',writer='pillow');
plt.ioff() # 关闭交互模式
最终的结果展示为如下：
联系客服
