1.8 EfficientNetV2评估

为了评价模型训练效果，接1.7节的工作，在PyCharm的Terminal窗口中输入命令：

    tensorboard－－logdir＝'logs/20220108－133733'

注意，logs后面的子文件夹名称是训练过程中自动根据训练日期生成的。命令执行后，会在Terminal窗口显示一个本地Web地址：http://localhost:6006/。打开浏览器输入该地址，或者直接单击该地址，均可在浏览器中观察模型的训练曲线。

图1.24所示为模型在训练集和验证集上的准确率曲线。图1.25所示为模型在训练集和验证集上的损失函数曲线。

观察准确率曲线与损失函数曲线，二者表达的趋势基本一致。

模型EfficientNetV2-S在训练集上准确率接近于1，在验证集上可以稳定在0.97，这只是一个小型数据集20代的训练效果，充分体现了EfficientNetV2模型强大的稳定性与可靠性，泛化能力强。

在当前项目文件夹中新建程序predict.py，编程逻辑如程序源码P1.4所示。

针对daisy、dandelion、roses、sunflowers、tulips这5种花朵，随机从Web上下载一些图片，这些图片不应包含在建模数据集中，运行程序predict.py，对这些图片做实证观察。

图1.26~图1.29展示了4幅图片的推断结果，给出的可信度均为1。

图1.26虽然是同类花daisy，但是两种daisy颜色不同、形状不同，图片清晰度也不够高，其中的黄色花朵很容易识别为sunflower类型。

图1.29包含4种颜色、4种形状的花朵，虽然均属tulips这一类别，但是如果其中某种形状的花朵不曾出现在建模过程中，则是有一定识别难度的。图1.27和图1.28都是典型特征，比较容易判断。

更多解析参见本节微课视频。