终于搞懂了Keras中multiloss的对应关系介绍
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，
lossweights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~
importmatplotlib.pyplotasplt
...//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('modelaccuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train','test'],loc='upperleft')
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='upperleft')
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毛票票。