tensorflow2.0——meter简单的loss和acc处理方式

1.　　创建meter

　　

 2.　　添加数据

　　　　

3.　　展示结果

　　

 4.　　清除meter　　

　　

以下代码是在前面随笔中代码的基础上添加的meter相关操作：

• import tensorflow as tf
  import datetime
  
  def preporocess(x,y):
      x = tf.cast(x,dtype=tf.float32) / 255
      x = tf.reshape(x,(-1,28 *28))                   #   铺平
      x = tf.squeeze(x,axis=0)
      # print('里面x.shape:',x.shape)
      y = tf.cast(y,dtype=tf.int32)
      return x,y
  
  def main():
      #   加载手写数字数据
      mnist = tf.keras.datasets.mnist
      (train_x, train_y), (test_x, test_y) = mnist.load_data()
      #   处理数据
          #   训练数据
      db = tf.data.Dataset.from_tensor_slices((train_x,train_y))    #   将x,y分成一一对应的元组
      db = db.map(preporocess)                                    #   执行预处理函数
      db = db.shuffle(60000).batch(2000)                          #   打乱加分组
          #   测试数据
      db_test = tf.data.Dataset.from_tensor_slices((test_x,test_y))
      db_test = db_test.map(preporocess)
      db_test = db_test.shuffle(10000).batch(10000)
      #   设置超参
      iter_num = 2000                                             #   迭代次数
      lr = 0.01                                                   #   学习率
      #   定义模型器和优化器
      model = tf.keras.Sequential([
          tf.keras.layers.Dense(256,activation='relu'),
          tf.keras.layers.Dense(128, activation='relu'),
          tf.keras.layers.Dense(64, activation='relu'),
          tf.keras.layers.Dense(32, activation='relu'),
          tf.keras.layers.Dense(10)
      ])
      # model.build(input_shape=[None,28*28])                     #   事先查看网络结构
      # model.summary()
      #   优化器
      # optimizer = tf.keras.optimizers.SGD(learning_rate=lr)
      optimizer = tf.keras.optimizers.Adam(learning_rate=lr)
  
      #   创建meter存储loss和acc
      acc_meter = tf.keras.metrics.Accuracy()
      loss_meter = tf.keras.metrics.Mean()
  
      #   迭代训练
      for i in range(iter_num):
          for step,(x,y) in enumerate(db):
              with tf.GradientTape() as tape:
                  logits = model(x)
                  y_onehot = tf.one_hot(y,depth=10)
                  # loss = tf.reduce_mean(tf.losses.MSE(y_onehot,logits))                                         #   差平方损失
                  loss = tf.reduce_mean(tf.losses.categorical_crossentropy(y_onehot,logits,from_logits=True))     #   交叉熵损失
  
                  loss_meter.update_state(loss)                                                                   #   添加loss进meter
  
              grads = tape.gradient(loss,model.trainable_variables)                                               #   梯度
              grads,_ = tf.clip_by_global_norm(grads,15)                                                          #   梯度限幅
              optimizer.apply_gradients(zip(grads,model.trainable_variables))                                     #   更新参数
              #   tensorboard显示时写入文件的代码
              # if step % 10 == 0:
              #     #   将数据写入log文件
              #     with summary_writer.as_default():
              #         tf.summary.scalar('loss', float(loss), step=step)
              #     pass
  
          #   计算测试集准确率
          for (x,y) in db_test:
              logits = model(x)
              out = tf.nn.softmax(logits,axis=1)
              pre = tf.argmax(out,axis=1)
              pre = tf.cast(pre,dtype=tf.int32)
              #   调用meter接口求acc
              acc_meter.update_state(y,pre)
              print()
              #   以下是自己编写的求acc的方法
              # acc  = tf.equal(pre,y)
              # acc = tf.cast(acc,dtype=tf.int32)
              # acc = tf.reduce_mean(tf.cast(acc,dtype=tf.float32))
              # print('i:{}'.format(i))
              # print('acc:{}'.format(acc))
              #   ************************** 将数据写入log文件 ***********************************
              # with summary_writer.as_default():
              #     tf.summary.scalar('acc', float(acc), step=i)
          print('loss_meter.result().numpy():', loss_meter.result().numpy())
          print('acc_meter.result().numpy():', acc_meter.result().numpy())
          loss_meter.reset_states()
          acc_meter.reset_states()
          print('第{}次迭代结束'.format(i))
  if __name__ == '__main__':
      #   ***************************** tensorboard文件处理 *******************************
      # current_time = datetime.datetime.now().strftime('%Y%m%d-%H%M%S')      # 当前时间
      # log_dir = 'tb_data/logs/' + current_time                              # 以当前时间作为log文件名
      # summary_writer = tf.summary.create_file_writer(log_dir)               # 创建log文件
      main()