模型定義Pytorch實現(xiàn)深度學習模型步驟01訓練的基本步驟思想分為四大步驟：數(shù)據(jù)處理：包括對訓練數(shù)據(jù)集的預處理，以及讀取數(shù)據(jù)集。模型構(gòu)建：包括網(wǎng)絡(luò)模型以及前向傳播過程的設(shè)計。定義優(yōu)化方法：包括代價函數(shù)和優(yōu)化器。模型訓練：包括定義模型訓練次數(shù)，顯示訓練信息等功能。

圖1.深度學習模型訓練流程圖Pytorch實現(xiàn)深度學習模型步驟01深度學習步驟示例：圖片來源：/video/BV1Y7411d7Ys?from=search&seid=3765076366663992699第1步準備數(shù)據(jù)集（包括數(shù)據(jù)集的讀取和數(shù)據(jù)集的預處理），此處定義了兩個張量。第2步設(shè)計網(wǎng)絡(luò)模型并定義網(wǎng)絡(luò)結(jié)構(gòu)，此處定義了一個邏輯回歸模型，需要注意的是必須繼承torch.nn.Module父類，這樣才具有必須的變量和方法。第3步定義模型損失函數(shù)與優(yōu)化器。第4步定義訓練循環(huán)過程（包括前向傳播，反向傳播，更新網(wǎng)絡(luò)參數(shù)）。每個深度模型都離不開這基本的四步，只有掌控全局，才能更加深入理解每一步具體內(nèi)容。Pytorch實現(xiàn)深度學習模型步驟01

數(shù)據(jù)處理模塊，即數(shù)據(jù)集的準備。這一環(huán)節(jié)在實際情況下要復雜得多，可以想像深度學習處理的數(shù)據(jù)集多種多樣：有文本數(shù)據(jù)集、圖像數(shù)據(jù)集、視頻數(shù)據(jù)集、語音數(shù)據(jù)集等。對于每種數(shù)據(jù)類型，它們處理方式是不同的。常用的數(shù)據(jù)預處理方法包含如下幾種：（1）歸一化數(shù)據(jù)歸一化也即0-1標準化，又稱最大值-最小值標準化，核心要義是將原始指標縮放到0-1之間的區(qū)間內(nèi)。相當于對原變量做了一次線性變化。這對后續(xù)的處理十分重要，因為很多默認參數(shù)（如PCA-白化中的epsilon）都假定數(shù)據(jù)已被縮放到合理區(qū)間。其公式為EX=(x-min)/(max-min)數(shù)據(jù)處理模塊Pytorch實現(xiàn)深度學習模型步驟01（2）逐樣本均值消減如果你的數(shù)據(jù)是平穩(wěn)的（即數(shù)據(jù)每一個維度的統(tǒng)計都服從相同分布），那么你可以考慮在每個樣本上減去數(shù)據(jù)的統(tǒng)計平均值(逐樣本計算)。本質(zhì)上講，均值消減就是去掉信號中的直流分量，從而，相對放大攜帶更大信息量的交流成分。計算公式為對于圖像，這種歸一化可以移除圖像的平均亮度值(intensity)。很多情況下我們對圖像的照度并不感興趣，而更多地關(guān)注其內(nèi)容，這時對每個數(shù)據(jù)點移除像素的均值是有意義的。注意：雖然該方法廣泛地應用于圖像，但在處理彩色圖像時需要格外小心，具體來說，是因為不同色彩通道中的像素并不都存在平穩(wěn)特性。數(shù)據(jù)處理模塊

Pytorch實現(xiàn)深度學習模型步驟01（3）特征標準化特征標準化指使得數(shù)據(jù)具有零均值和單位方差的過程。在深度學習中，特征標準化根據(jù)對象的不同，分為四類：批標準化（BatchNormalization），層標準化（LayerNormalization），實例標準化（InstanceNormalization），組標準化（GroupNormalization）。數(shù)據(jù)處理模塊

圖片來源：/p/69659844Mean(x),Var(x)分別表示數(shù)據(jù)x的均值和標準差。Pytorch實現(xiàn)深度學習模型步驟01模型構(gòu)建模塊不同問題，網(wǎng)絡(luò)模型選擇是不同的，對監(jiān)督學習問題，常見的網(wǎng)絡(luò)模型包括：DNN（深度神經(jīng)網(wǎng)絡(luò)）；RNN(循環(huán)神經(jīng)網(wǎng)絡(luò)）；CNN(卷積神經(jīng)網(wǎng)絡(luò)）；對無監(jiān)督學習，最常見有生成對抗網(wǎng)絡(luò)（GAN）；自編碼器（Auto-encoder)。深度神經(jīng)網(wǎng)絡(luò)DNN:

就實質(zhì)上來說，就是全連接的前饋深度神經(jīng)網(wǎng)絡(luò)，因此主要的應用場景是分類（Classification)任務(wù)，比如數(shù)字識別等，由于是純粹的全連接網(wǎng)絡(luò)，因此應用性并不是很強。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN):主要用于處理有序的問題，比如時間序列等，由于RNN有“記憶”能力，可以“模擬”數(shù)據(jù)間的依賴關(guān)系。RNN有很多種變形，其中最著名的是LSTM，總的來說RNN可以解決語音分析，文字分析，時間序列分析。主要的重點就是分析數(shù)據(jù)之間存在的前后依賴關(guān)系。Pytorch實現(xiàn)深度學習模型步驟01模型構(gòu)建模塊自編碼器（Auto-encoder):主要由兩部分組成：1、編碼器（Encoder)2、解碼器（Decoder)。將輸入數(shù)據(jù)，通過編碼器與解碼器，我們得到了重構(gòu)的結(jié)果，自編碼器的重點是低維的壓縮表示，主要用于降維和去除噪聲等領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)CNN:占據(jù)了深度學習的半壁江山，它在深度學習的地位舉足輕重，CNN的精髓是在多個空間位置上共享參數(shù)，模擬人的視覺系統(tǒng)。主要適用于處理圖片，視頻等大部分格狀結(jié)構(gòu)化數(shù)據(jù)。Pytorch實現(xiàn)深度學習模型步驟01模型構(gòu)建模塊生成對抗網(wǎng)絡(luò)（GAN):由兩個網(wǎng)絡(luò)組成，一個是生成網(wǎng)絡(luò)用于生成圖片使其與訓練數(shù)據(jù)相似，另一個是判別式網(wǎng)絡(luò)用于判別圖片是否是訓練數(shù)據(jù)還是偽裝的數(shù)據(jù)。GAN主要在圖像領(lǐng)域流行，并慢慢的推廣到語音，視頻等領(lǐng)域。結(jié)合一個視頻案例：視頻來源：/video/av30222258/Pytorch實現(xiàn)深度學習模型步驟01損失函數(shù)，優(yōu)化器和訓練過程在前面我們已經(jīng)詳細學習過了損失函數(shù)和優(yōu)化器的知識，常見損失函數(shù)包括MSELoss（均方差損失）、CrossEntropyLoss（交叉熵損失）、TripletLoss（三元組損失)等。優(yōu)化器包括：SGD(隨機梯度下降算法）、EarlyStopping（早停法）、Adagrad(自適應梯度下降）等。關(guān)于訓練過程，相對比較簡單，這部分內(nèi)容將在后續(xù)章節(jié)介紹。02數(shù)據(jù)集的預處理是深度學習中的重要步驟之一。由于計算機視覺在各領(lǐng)域的廣泛應用，許多時候都要用到圖像的預處理，此處，將介紹利用Torchvision.transforms公共預處理庫，來實現(xiàn)圖像預處理常見的操作，包括：裁剪、翻轉(zhuǎn)、旋轉(zhuǎn)、縮放等。將輸入圖像放大為原來的3倍，包括3步：導入包，定義操作，執(zhí)行操作。代碼如下：fromtorchvisionimporttransformsfromPILimportImagecrop=transforms.Scale(3)img=Image.open('test.jpg')croped_img=crop(img)數(shù)據(jù)集的預處理02在pytorch深度學習框架下，Torchvision.transforms的調(diào)用方法略有不同。我們只需要在定義下載器時，傳入我們定義的數(shù)據(jù)處理方法可以了，pytorch深度學習框架自動執(zhí)行操作，而不需要我們顯式地調(diào)用?？梢杂胻ransforms.Compose方法將所有需要的預處理操作建立列表，在實例化Dataset類時加載預處理操作列表，在利用DataLoader加載數(shù)據(jù)Dataset時會自動依次執(zhí)行預處理操作。下面是transforms.Compose的代碼片斷。defdownload_data(data_dir):MyTransform=transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,),(0.3081,))])returnMNIST(data_dir,train=True,download=True,transform=MyTransform)數(shù)據(jù)集的預處理02Torchvision.transforms公共預處理庫常用的方法羅列如下：翻轉(zhuǎn)與旋轉(zhuǎn)——FlipandRotation

以概率P水平翻轉(zhuǎn)：transforms.RandomHorizontalFlip(p=0.5)

以概率p垂直翻轉(zhuǎn)：transforms.RandomVerticalFlip(p=0.5)

隨機旋轉(zhuǎn)：transforms.RandomRotation(degrees,resample=False,expand=False,center=None,fill=None)裁剪——Crop

中心裁剪：transforms.CenterCrop(size)

隨機裁剪：transforms.RandomCrop(size,padding=None,pad_if_needed=False,fill=0,padding_mode='constant')

隨機長寬比裁剪：transforms.RandomResizedCrop(*args,**kwargs)

上下左右中心裁剪：transforms.FiveCrop(size)

上下左右中心裁剪后翻轉(zhuǎn)：transforms.TenCrop(size,vertical_flip=False)數(shù)據(jù)集的預處理02數(shù)據(jù)集的預處理隨機擦除——RandomErasing隨機擦除是指：隨機選擇圖像中的矩形區(qū)域并刪除其像素。隨機擦除可用于模擬圖片遮擋情況下的場景，同時能夠降低過擬合的風險，使得模型對遮擋具有更強的魯棒性。Torchvision.transforms.RandomErasing(p=0.5,scale=(0.02,0.33),ratio=(0.3,3.3),value=0,inplace=False)參數(shù)：p:是指執(zhí)行隨機擦除操作的概率。scale:刪除區(qū)域相對于輸入圖像的比例范圍。ratio:擦除區(qū)域的縱橫比范圍。value:消除值，默認值為0,如果為單個int，則用于擦除所有像素。如果元組的長度為3，則分別用于擦除R，G，B通道。如果是“random”字符串，則使用隨機值擦除像素。inplace:布爾值，如果為True，則操作就地執(zhí)行，默認設(shè)置為False。標準化——NormalizationTorchvision.transforms.Normalize(mean,std,inplace=False)用均值和標準差對張量進行標準化，此操作將標準化每個通道的輸入張量，需要給定n通道的平均值：（mean[1],…mean[n])和標準差（std[1],….std[n])。mean:（列表）——列表中每個值對應每個通道的平均值。std:（列表）——列表中每個值對應每個通道的標準差。inplace:（布爾值，可選）——如果為True指定就地操作,默認為False。操作計算：Output[channel]=(input[channel]–mean[channel])/std[channel]02數(shù)據(jù)集的預處理標準化——Normalization圖像來源：《數(shù)字圖像處理》這里使用了transforms.Compose(),它可以組合多個transform。如下代碼所示：將原圖先轉(zhuǎn)換為張量，然后使用Normalize標準化數(shù)據(jù)，最后利用ToPILmage()轉(zhuǎn)換為PIL圖像數(shù)據(jù)。02數(shù)據(jù)集的預處理數(shù)據(jù)集的讀取03數(shù)據(jù)集的讀取方式一:讀PyTorch自帶數(shù)據(jù)torchvision.datasets中包含了以下數(shù)據(jù)集：MNIST，COCO，Imagenet-12，STL10，CIFAR10和CIFAR100等。下面以MNIST為例介紹自帶數(shù)據(jù)的讀取。MNIST(root,train=True,transform=None,target_transform=None,download=False)參數(shù)說明：root:下載數(shù)據(jù)集所存放的文件夾路徑。train:如果為True則指定為訓練集,如果為False指定為測試集。Transform：指定對輸入數(shù)據(jù)需要執(zhí)行的預處理操作。target_transform：指定對目標對象數(shù)據(jù)需要執(zhí)行的預處理操作，比如對標簽進行數(shù)據(jù)類型變換。download:如果為True，則從互聯(lián)網(wǎng)上下載數(shù)據(jù)集，并把數(shù)據(jù)集放在root目錄下。如果數(shù)據(jù)集之前下載過，則將處理過的數(shù)據(jù)（minist.py中有相關(guān)函數(shù)）放在processed文件夾下。數(shù)據(jù)集的讀取03數(shù)據(jù)集的讀取方式二:ImageFolderTorchvision.datasets.ImageFolder是一個通用的圖像數(shù)據(jù)加載器，它要求所有相同類的圖片位于同一個文件夾下，并且不同類的文件夾要在同一根目錄下。例如這里是在train根目錄下的不同類別。數(shù)據(jù)集的讀取03數(shù)據(jù)集的讀取方式二:ImageFolder參數(shù)詳解：root:下載數(shù)據(jù)集所存放的文件夾路徑。Transform：指定對輸入數(shù)據(jù)需要執(zhí)行的預處理操作。target_transform：指定對目標對象數(shù)據(jù)需要執(zhí)行的預處理操作。返回值：self.classes：用一個列表（list）保存類別名稱。self.class_to_idx：保存(索引號,類別)的列表（list）。self.imgs：保存(img-path,類別)的列表（list）。ImageFolder(root="rootfolderpath",[transform,target_transform])數(shù)據(jù)集的讀取03數(shù)據(jù)集的讀取方式三:Dataset

torch.utils.data.Dataset是自定義數(shù)據(jù)集方法的抽象類。通過繼承這個抽象類，來定義自己的數(shù)據(jù)類，非常簡單，只需要定義__len__()和__getitem__()這兩個方法就可以。雖然，通過繼承torch.utils.data.Dataset這個抽象類，可以定義自己的數(shù)據(jù)類，但是很難實現(xiàn)批量多線程讀取數(shù)據(jù)，所以pytorch還提供了另一個類torch.utils.data.DataLoader類來定義一個新的迭代器，用來將自定義的數(shù)據(jù)或者PyTorch的數(shù)據(jù)按照每批的數(shù)據(jù)量（batchsize）封裝成Tensor，后續(xù)只需要再包裝成Variable即可作為模型的輸入。讀取數(shù)據(jù)集時，一般會用到python抽象類的3個方法：__len__(self)定義當被len()函數(shù)調(diào)用時的行為（返回容器中元素的個數(shù)）。__getitem__(self)定義獲取容器中指定元素的行為，即允許類對象可以有索引操作。__iter__(self)定義當?shù)萜髦械脑氐男袨?。?shù)據(jù)集的讀取03數(shù)據(jù)集加載:DataLoader數(shù)據(jù)加載器。它組合數(shù)據(jù)集和采樣器，并在數(shù)據(jù)集上提供單進程或多進程迭代器。classtorch.utils.data.DataLoader(dataset,batch_size=1,shuffle=False,sampler=None,num_workers=0,collate_fn=<functiondefault_collate>,pin_memory=False,drop_last=False)參數(shù)：dataset

(Dataset)–加載數(shù)據(jù)的數(shù)據(jù)集。batch_size

(int,optional)–每個batch加載多少個樣本(默認:1)。shuffle

(bool,optional)–設(shè)置為True時會在每個epoch重新打亂數(shù)據(jù)的順序(默認:False)。sampler

(Sampler,optional)–定義從數(shù)據(jù)集中提取樣本的策略。如果指定，則忽略shuffle參數(shù)。num_workers

(int,optional)–用多少個子進程加載數(shù)據(jù)。0表示數(shù)據(jù)將在主進程中加載(默認:0)。collate_fn

(callable,optional)–回調(diào)函數(shù)，允許在加載時對數(shù)據(jù)作變換。pin_memory

(bool,optional)–設(shè)置為True時鎖頁內(nèi)存。drop_last

(bool,optional)–如果數(shù)據(jù)集大小不能被batchsize整除，則設(shè)置為True后可刪除最后一個不完整的batch。如果設(shè)為False，并且數(shù)據(jù)集的大小不能被batchsize整除，則最后一個batch將仍然代入計算(默認:False)。模型的定義04調(diào)用pytorch內(nèi)置的網(wǎng)絡(luò)模型torchvision.models包含以下模型結(jié)構(gòu)：AlexNet，VGG，ResNet，SqueezeNet，DenseNet?？梢允褂秒S機初始化的權(quán)重來創(chuàng)建這些模型。importtorchvision.modelsasmodelsresnet18=models.resnet18()alexnet=models.alexnet()squeezenet=models.squeezenet1_0()densenet=models.densenet_161()也可以使用預訓練(pre-trained)的模型。importtorchvision.modelsasmodelsresnet18=models.resnet18(pretrained=True)#pretrained=True即可使用預訓練的模型

alexnet=models.alexnet(pretrained=True)模型的定義04繼承nn.Module父類實現(xiàn)自定義網(wǎng)絡(luò)

classConvNet(nn.Module):def__init__(self):super(ConvNet,self).__init__()self.conv1=nn.Conv2d(1,3,kernel_size=3)self.fc=nn.Linear(192,10)defforward(self,x):x=F.relu(F.max_pool2d(self.conv1(x),3))x=x.view(-1,192)x=self.fc(x)returnF.log_softmax(x,dim=1)deftrain_mnist(config):device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")train_loader,test_loader=get_data_loaders()model=ConvNet().to(device)optimizer=optim.SGD(model.parameters(),lr=config["lr"],momentum=config["momentum"])whileTrue:train(model,optimizer,train_loader,device)acc=test(model,test_loader,device)模型評估與保存優(yōu)化算法與損失函數(shù)01優(yōu)化算法與損失函數(shù)在深度學習模型中具有舉足輕重的作用，優(yōu)化算法幫助模型訓練更加穩(wěn)定，更加容易收斂，并且?guī)椭Ｐ吞鼍植繕O值或鞍點，尋找全局最小值。損失函數(shù)則是用來計算預測值與真實值之間誤差。Pytorch的torch.optim和torch.nn中提供了常見的優(yōu)化算法與損失函數(shù)。優(yōu)化算法：

損失函數(shù)：torch.optim.Optimizertorch.nn.L1Losstorch.optim.Adadelta torch.nn.MSELosstorch.optim.Adagradtorch.nn.NLLLosstorch.optim.Adamax torch.nn.CrossEntropyLoss torch.optim.RMSprop torch.nn.BCELoss torch.optim.Rprop torch.nn.KLDivLosstorch.optim.SGD torch.nn.MarginRankingLosstorch.optim.ASGD torch.nn.HingeEmbeddingLoss torch.nn.SmoothL1Loss01優(yōu)化算法與損失函數(shù)負對數(shù)概率損失函數(shù)NLLLossclasstorch.nn.NLLLoss(weight=None,size_average=True)weight參數(shù)為手動指定的每個類別的權(quán)重，是一個一維張量。如果給定的話，其長度必須為類別數(shù)。當訓練集樣本不均衡的話，使用這個參數(shù)是非常有用的。size_average參數(shù)指定是否取平均。classtorch.nn.NLLLoss2d(weight=None,size_average=True)用于圖片的負對數(shù)概率損失函數(shù)。示例代碼如下：m=nn.Conv2d(16,32,(3,3)).float()loss=nn.NLLLoss2d()input=autograd.Variable(torch.randn(3,16,10,10))target=autograd.Variable(torch.LongTensor(3,8,8).random_(0,4))output=loss(m(input),target)output.backward()01優(yōu)化算法與損失函數(shù)絕對誤差損失函數(shù)L1Lossclasstorch.nn.L1Loss(size_average=True)如果在創(chuàng)建L1Loss實例的時候在構(gòu)造函數(shù)中傳入size_average=False，那么求出來的絕對值的和將不會除以樣本個數(shù)。如果是True,則對絕對值的和求平均。均方誤差損失函數(shù)MSELossclasstorch.nn.MSELoss(size_average=True)如果在創(chuàng)建MSELoss實例的時候在構(gòu)造函數(shù)中傳入size_average=False，那么求出來的平方和將不會除以樣本個數(shù)。如果是True,則對平方和求平均。01優(yōu)化算法與損失函數(shù)交叉熵損失函數(shù)CrossEntropyLossclasstorch.nn.CrossEntropyLoss(weight=None,size_average=True)當訓練一個多類分類器的時候，這個方法是十分有用的。其參數(shù)用法同前。二進制交叉熵損失函數(shù)BCELossclasstorch.nn.BCELoss(weight=None,size_average=True)用于計算auto-encoder重構(gòu)誤差。默認情況下，輸出結(jié)果會基于樣本數(shù)平均，如果size_average=False的話，損失值會被累加。KL散度損失函數(shù)KLDivLossclasstorch.nn.KLDivLoss(weight=None,size_average=True)KL散度常用來描述兩個分布的距離，常用于在輸出分布的空間上執(zhí)行直接回歸任務(wù)，其參數(shù)用法同前。01優(yōu)化算法與損失函數(shù)帶容限約束的排序損失函數(shù)MarginRankingLoss

01優(yōu)化算法與損失函數(shù)合頁嵌入損失函數(shù)HingeEmbeddingLoss

平滑絕對誤差損失函數(shù)SmoothL1Lossclasstorch.nn.SmoothL1Loss(size_average=True)此損失函數(shù)對于異常點的敏感性不如MSELoss，而且，在某些情況下防止了梯度爆炸。平滑絕對誤差損失函數(shù)有時也被稱為Huberloss。01優(yōu)化算法與損失函數(shù)優(yōu)化器算法Optimizerclasstorch.optim.Optimizer(params,defaults)優(yōu)化器算法即梯度下降法，是最原始的，也是最基礎(chǔ)的算法。它將所有的數(shù)據(jù)集都載入，計算它們所有的梯度，然后沿著梯度相反的方向更新權(quán)重。自適應學習率算法Adadeltaclasstorch.optim.Adadelta(params,lr=1.0,rho=0.9,eps=1e-06,weight_decay=0)這是一種自適應學習率方法,能夠隨時間跟蹤平方梯度并自動適應每個參數(shù)的學習率,是基于梯度下降的學習算法。自適應梯度算法Adagradclasstorch.optim.Adagrad(params,lr=0.01,lr_decay=0,weight_decay=0)自適應梯度算法會隨著學習的進行，使得學習率逐漸減小。01優(yōu)化算法與損失函數(shù)Adam優(yōu)化器classtorch.optim.Adam(params,lr=0.001,betas=(0.9,0.999),eps=1e-08,weight_decay=0)這是一種隨機梯度下降法的擴展算法，主要用于基于深度學習的計算機視覺和自然語言處理。Adamax優(yōu)化器classtorch.optim.Adamax(params,lr=0.002,betas=(0.9,0.999),eps=1e-08,weight_decay=0)Adamax是Adam的一種變體，此方法對學習率的上限提供了一個更簡單的范圍，在Adam中，單個權(quán)重的更新規(guī)則是將其梯度與當前和過去梯度的L^2范數(shù)（標量）成反比例縮放。RMSprop算法classtorch.optim.RMSprop(params,lr=0.01,alpha=0.99,eps=1e-08,weight_decay=0,momentum=0,centered=False)RMSProp算法不是像AdaGrad算法那樣暴力直接的累加平方梯度，而是加了一個衰減系數(shù)來控制歷史信息的影響。01優(yōu)化算法與損失函數(shù)彈性反向傳播算法Rpropclasstorch.optim.Rprop(params,lr=0.01,etas=(0.5,1.2),step_sizes=(1e-06,50))RPROP算法具有收斂速度快、不容易陷入局部極小點、自適應能力強等優(yōu)點。隨機梯度下降算法SGDclasstorch.optim.SGD(params,lr=,momentum=0,dampening=0,weight_decay=0,nesterov=False)隨機梯度下降算法每次從訓練集中隨機選擇一個樣本來進行學習。平均隨機梯度下降算法ASGD

classtorch.optim.ASGD(params,lr=0.01,lambd=0.0001,alpha=0.75,t0=1000000.0,weight_decay=0)隨機平均梯度算法在內(nèi)存中為每一個樣本都維護一個舊的梯度，隨機選擇第i個樣本來更新此樣本的梯度，其他樣本的梯度保持不變，然后求得所有梯度的平均值，進而更新了參數(shù)。模型的評估與保存02一個判斷患者的深度學習模型，如果判斷結(jié)果為陽性，表示此樣本為患病者，如果結(jié)果為陰性，則為健康者。假定有200個患病者和200個健康者參與測試，測試結(jié)果如下表。TP(Truepositive,真陽性)-190FN(Falsenegative,假陰性)-10TN(Truenegative,真陰性)-170FP(Falsepositive,假陽性)-30準確率(Accuracy)：(TP+TN)/(TP+TN+FP+FN)精確率(Precision)

：TP/(TP+FP)召回率(Recall)：TP/(TP+FN)F1分數(shù)：(2×Precision×Recall)/(Precision+Recall）模型的評估患病者健康者測試總數(shù)測試結(jié)果為陽性19030220測試結(jié)果為陰性10170180真實總數(shù)200200400模型的評估與保存02模型的評估關(guān)于模型的評估，離不開最重要的評估指標的概念，這就好比一場跑步比賽中，每位選手全程的用時，這里用時就是評估指標。不同的問題，評估指標是不同的（跑步比賽評估指標與跳水比賽指標是不同的）。深度學習常用的模型評估指標包括：準確率：預測正確的結(jié)果占總樣本的百分比。精確率：所有被預測為陽性的樣本中實際為陽性的樣本的概率。召回率：實際為陽性的樣本中被預測為陽性的樣本的概率。F1分數(shù)：精確度和召回率之間的關(guān)系。模型的評估與保存02模型的評估可視化（1）ROC曲線ROC曲線，即接受者操作特性曲線（receiveroperatingcharacteristiccurve）