本文共 1474 字，大约阅读时间需要 4 分钟。

简单的密集连接网络在耶拿温度预测任务上的训练与验证损失曲线展示了模型训练的整体表现。本文通过绘制训练损失和验证损失的变化趋势，分析了模型在训练过程中的优化情况。以下是相关代码和结果的详细说明：

代码清单如下：

import matplotlib.pyplot as pltloss = history.history['loss']val_loss = history.history['val_loss']epochs = range(len(loss))plt.figure()plt.plot(epochs, loss, 'bo', label='Training loss')plt.plot(epochs, val_loss, 'b', label='Validation loss')plt.title('Training and validation loss')plt.legend()plt.show()

代码中，loss 和 val_loss 分别表示训练过程中的损失值和验证过程中的损失值，epochs 列出训练的轮次。通过绘制这两个损失曲线，可以直观地观察模型在训练过程中的损失变化情况。

结果如下：

训练过程中，模型的损失值逐渐下降，表明模型在优化过程中效果不断提升。同时，验证损失值也随之下降，显示了模型在训练数据外的泛化能力。具体数值如下：

• 训练损失：[1.571558004796505, 0.4991003686189652, 0.3011927672326565, 0.2678608466684818, 0.25595426523685455, 0.24517172515392305, 0.23824044767022132, 0.23298490041494369, 0.22821045821905137, 0.2227226406633854, 0.2185874055325985, 0.21574989056587218, 0.21279067119956016, 0.210872103959322, 0.20845433309674263, 0.20609600335359574, 0.20415313729643822, 0.20333791476488114, 0.20114947184920312, 0.19921788474917412]

• 验证损失：[0.8748725497482347, 0.3975294645299217, 0.3109697792993953, 0.32736822754454703, 0.32925783149578325, 0.3136130665345372, 0.3221883660155713, 0.3522020755638459, 0.32485968480552746, 0.3193821293605862, 0.3482952474704877, 0.34307795770766675, 0.32300440624104365, 0.3191545883966283, 0.33410712029247197, 0.34500235922256745, 0.3459017112153559, 0.35247658667855825, 0.3340611231497577, 0.3364521464519445]

从上述结果可以看出，训练损失和验证损失均随着训练次数的增加而逐渐降低，表明模型在耶拿温度预测任务上的性能持续改进。

转载地址：http://gmrg.baihongyu.com/