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_per_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')
//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')

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。

华山资源网 Design By www.eoogi.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
华山资源网 Design By www.eoogi.com