《机器学习项目开发实战》-课件 17. 项目五 - 任务五_第1页
《机器学习项目开发实战》-课件 17. 项目五 - 任务五_第2页
《机器学习项目开发实战》-课件 17. 项目五 - 任务五_第3页
《机器学习项目开发实战》-课件 17. 项目五 - 任务五_第4页
《机器学习项目开发实战》-课件 17. 项目五 - 任务五_第5页
已阅读5页,还剩11页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

深度神经网络项目实战-人脸识别模型评估与可视化CONTENTSOrderNow01任务描述02知识储备03任务实施04任务评价/01任务描述任务描述任务:人脸识别本次任务的重点是对训练好的卷积神经网络(CNN)模型进行评估,以及训练过程可视化展示,分析模型性能,并根据保存最终模型,应用于实际场景。/02知识储备准确率010203计算方式模型预测正确的样本数除以总样本数。适用场景类别分布均衡的数据集。注意事项在类别不平衡的数据集里,得到的结果无意义;准确率无法区分不同类型的错误。损失值损失值是通过损失函数计算得到的标量值,表示模型预测值与真实值之间的误差。数值越小,模型的预测越接近真实情况损失函数分类任务常用交叉熵损失,就像衡量两个概率分布的差异。目标检测任务结合多种损失,既要判断物体类别,又要定位位置。回归任务回归任务用均方误差,类似于计算预测值与真实值的距离平方;损失值损失持续下降01START有效学习损失下降缓慢02学习率设置不当、模型容量不足验证损失先下降后上升03模型可能过拟合了训练损失高验证损失高04模型可能欠拟合,需要增加复杂度或调整超参数。RESULT训练曲线模型的“成长日记”类型表现措施正常情况训练集和验证集的准确率一起向上延伸过拟合训练集准确率曲线向上延伸,验证集曲线持平或向下。增加数据增强、使用Dropout正则化,或者减少模型复杂度,让模型学会“抓大放小”欠拟合两条曲线都在低位徘徊,上升乏力。增加网络层数、调整超参数,或者优化数据预处理方法,让模型有能力提取更复杂的特征综合判断训练曲线模型学习的全过程准确率模型的整体表现损失值揭示细节误差模型优化/03任务实施模型评估1test_loss,test_acc=model.evaluate(X_test,y_test)2print(f"Testaccuracy:{test_acc:.4f},Testloss:{test_loss:.4f}")模型评估模型评估1plt.plot(history.history['accuracy'],label='TrainingAccuracy')2plt.plot(history.history['val_accuracy'],label='ValidationAccuracy')3plt.xlabel('Epoch')4plt.ylabel('Accuracy')5plt.legend()6plt.show()训练过程可视化/04任务评价任务评价1.是否完成了

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论