pytorch绘制训练过程中的曲线图

最新推荐文章于 2024-06-14 21:05:29 发布
最新推荐文章于 2024-06-14 21:05:29 发布
阅读量6.6k 收藏 28
点赞数 1
分类专栏： pytorch 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TNNAA/article/details/107869188
版权

因为在训练的过程中想要输出一下accuracy和loss曲线,因此找到了一篇比较好的博客,原文链接:https://blog.csdn.net/tequilaro/article/details/81841748
但是过程中出现了问题,在尝试了一天之后终于解决了~

PyTorch

主要思想就是首先要定义两个数组，然后将每次迭代时模型的准确率和损失率传入到数组中，这里可以利用拼接函数进行拼接。然后在利用绘制图像的函数将其绘制。
代码如下:
首先定义两个数组:
在这里插入图片描述
在这里插入图片描述
#我这里迭代了300次，所以x的取值范围为(0，300)，然后再将每次相对应的准确率以及损失率附在x上
在这里插入图片描述
但是在绘制的过程中遇见了一个问题,报错显示x与y的维度不一样,尝试了各种方法,甚至将y也改成了range(0,5).(在尝试过程中我先将epoch设置成的5,这样会节省很多时间的哦~)虽然知道这个方法不对,但还是想看到输出结果.
好了,最大的问题就是缩进问题,真的是太坑了~
一定要先将所有的数值全部放在数组里之后再画,不然维数永远不可能相等~
缩进!缩进!缩进!!

TNNAA
关注
  • 1
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
Pytorch_Part5_迭代训练
weixin_43387647的博客
03-08 825
Pytorch框架W5 文章目录Pytorch框架W5D1: 学习率调整策略1. 有序调整——Step, MultiStep, Exponential & CosineAnnealing2. 自适应调整——ReduceLROnPleateau3. 自定义调整——LambdaD2: TensorBoard可视化0. Tensorboard的安装1. 标量&直方图2. 卷积核&...
PyTorch CNN 训练/测试/绘图 模块
05-15
在学习到 d2l 中的 CNN 板块时，发现对于大部分 CNN，除了架构网络的代码不同...该模块支持 CNN 的训练和测试，同时可绘制训练集/测试集的损失函数曲线，训练集/测试集的精度。此外，该模块能够计算 GPU 的读取速度。
PyTorch使用Visdom绘制训练过程曲线
梁小憨憨的博客
02-17 967
最近在训练网络，网络的损失和准确率都是在终端输出的，很不直观，也看不出变化，就想着有没有一种工具可以实现实时的绘制模型的训练过程，然后就搜到了Visdom，发现这是个好东西啊，完全满足了我的需求，学习一下，在这里记录一下，方便以后查阅。
Python中绘制折线图的全面指南
最新发布
2301_81064905的博客
06-14 2149
Matplotlib库Matplotlib是Python中一个非常流行的2D绘图库，它提供了广泛的图表和可视化类型，并且允许用户进行高度定制。通过本文的详细介绍，我们全面了解了在Python中使用Matplotlib库绘制折线图的方法和技巧。从基础折线图的绘制，到自定义折线图的样式、颜色、线型和标记，再到在同一张图表上绘制多条折线图进行比较，我们掌握了绘制折线图的基本技能。
学习曲线图
Make Progress Everyday!
02-15 1287
学习曲线图 
PyTorch绘制训练过程的accuracy和loss曲线
moonson96的博客
04-08 3971
yTorch、Caffe绘制训练过程的accuracy和loss曲线 衡量模型的好坏其实最重要的看的就是准确率与损失率，所以将其进行可视化是一个非常重要的一步。这样就可以直观明了的看出模型训练过程中准确率以及损失率的变化。 因为博主一直是在caffe和pytorch进行深度学习研究的，之前查了相关资料发现caffe有相关的绘制方法，但是pytorch并没有找到，所以在这里进行总结。 Caffe 因...
Pytorch训练过程可视化
qq_40016729的博客
09-06 513
Pytorch训练过程可视化 图表的世界充满了魔法，一条曲线可以瞬间揭示数据内容的情况，激发想象力，让事情变得更有说服力 TensorBoard TensorBoard是TensorFlow提供的一组可视化工具(A Suite of Visualization Tools),可以帮助开发者理解、调试和优化TensorFlow程序，作为一款优秀的可视化组件，自然会被其他框架借用和引进。在PyTorch中也能通过TensorBoardX组件使用这一款可视化工具，TensorBoradX组件支持scalar、im
pytorch绘制并显示loss曲线和acc曲线，LeNet5识别图像准确率
12-23
通过分析这些曲线，我们可以了解模型在训练过程中的表现，如是否过拟合或欠拟合，以及调整超参数如学习率(lr_scheduler)的可能效果。同时，对比训练集和验证集的性能可以帮助我们判断模型的泛化能力。 总之，利用...
Pytorch练习–绘制Loss曲线
12-21
在PyTorch中，绘制损失(loss)曲线是训练神经网络模型时常见的监控手段，它有助于我们理解模型在训练过程中的表现。在这个PyTorch练习中，我们将学习如何手动实现这一过程，而不是依赖于高级库如TensorBoard。我们将...
pytorch-RNN进行回归曲线预测方式
09-18
在训练过程中，我们可以实时绘制损失曲线和预测结果，以便观察模型的收敛情况。通过`plt.ion()`可以开启连续绘图模式。 总的来说，使用PyTorch的RNN进行回归曲线预测，主要是通过RNN模型学习输入序列与输出序列之间...
yolov5无人机目标检测训练权重结果和曲线图 pytorch-yolov5-master-drone.zip
11-28
yolov5无人机目标检测训练权重,附代码和测试视屏，代码为yolov5版本五，训练的 模型为yolov5s、m、l三个模型，目标类别名为drone,用于检测空中旋翼无人机，训练好的权重和曲线图保存载runs/train文件夹中，有需要的...
图像超分辨率SRGAN的Pytorch版本复现代码，注释详细，含训练曲线图绘制、最优PSNR的模型权重文件(x2、x4、x8)
04-14
epochs：保存训练过程中每个epoch的模型文件 statistics：存放训练和测试的评估指标结果 training_results：存放每一轮验证集的超分结果对比，每张图像5行3列展示 data_utils.py：数据预处理和制作数据集 demo.py：...
pytorch efficient-b0预训练模型训练
06-18
最后，`drwa.py`可能是绘制训练和验证过程中的损失和准确率曲线的脚本。在训练过程中，我们通常会记录模型在训练集和验证集上的表现，并通过可视化工具（如matplotlib或TensorBoard）展示这些指标，以便监控模型的...
pytorch_demo.rar
11-19
本教程将通过一个官方提供的PyTorch Demo，探讨如何使用PyTorch进行深度学习模型的构建、训练以及结果的可视化，主要涉及的知识点包括CIFAR数据集、卷积神经网络（CNN）以及训练过程中的损失函数和准确率曲线绘制。...
可视化pytorch 模型中不同BN层的running mean曲线实例
09-16
在PyTorch中，BN层会维护两个统计量：`running mean`和`running variance`，它们在训练过程中动态更新，并在推理阶段用于标准化输入数据。 #### 实现细节 ##### 加载模型字典 首先，我们需要加载预训练模型的字典...
使用pytorch写的Shufflenet v2代码，详细注释，可以生成训练集和测试集的损失和准确率的折线图
05-01
训练过程中，还会记录并绘制训练集和测试集的损失与准确率曲线，以便观察模型的训练效果和过拟合情况。 在数据预处理阶段，通常需要对图像进行归一化、随机裁剪、翻转等操作，以增加模型的泛化能力。PyTorch的`...
pytorch训练过程可视化(Visdom)
欢迎大家来到新嬉皮士的世界
12-07 5115
文章目录Visdom介绍Visdom安装Visdom训练测试过程 Visdom介绍 在训练深度学习网络的时候，小伙伴尝试对训练过程可视化很多都会用tensorboard或者tensorboardx，但是这些是针对tensorflow设计的。对于pytorch的用户，使用该包之前还要安装tensorflow ，而且训练过程的loss不能动态的查看，在本文钟将介绍FaceBook开发的一款开源数据可视化工具Visdom。Visdom因其简单易用的特点，很快成为pytorch的一个数据可视化的工具。除了用来显示l
pytorch6-可视化训练过程（结束后保存图片及记录）
qq_36071362的博客
05-30 1182
import torch import torch.nn as nn import torchvision import torchvision.utils as vutils from torch.optim import SGD import torch.utils.data as Data from sklearn.metrics import accuracy_score import matplotlib.pyplot as plt import hiddenlayer as hl from t.
pytorch绘制loss，acc曲线
06-28
### 回答1： 在 PyTorch 中绘制 loss 和 acc 曲线可以使用 matplotlib 库。首先，需要在训练过程中记录 loss 和 acc 的值，然后使用 matplotlib 的 plot() 函数绘制曲线。下面是一个简单的例子： ```python import matplotlib.pyplot as plt # 记录训练过程中的loss和acc loss_history = [] acc_history = [] # ...在训练过程中... for data, target in dataloader: # ... loss_history.append(loss.item()) acc_history.append(acc.item()) # 绘制loss曲线 plt.plot(loss_history, label='loss') # 绘制acc曲线 plt.plot(acc_history, label='acc') plt.legend() plt.show() ``` 这将在窗口中显示一个曲线图，其中 x 轴表示训练步数，y 轴表示 loss 和 acc。 另外，还可以使用第三方库如 Visdom，tensorboardX 等来绘制loss,acc曲线。 ### 回答2： PyTorch是一种流行的深度学习框架，主要用于构建神经网络和实现深度学习模型。训练神经网络时，我们通常需要跟踪模型的loss值和准确率（accuracy）。这些指标可以通过绘制loss和acc曲线来可视化，以便更好地了解模型的训练过程和性能。 在PyTorch中，我们可以使用Matplotlib库来绘制loss和acc曲线。首先，我们需要在训练过程中跟踪loss和acc值。这可以通过在训练循环中保存这些值来实现。例如，我们可以使用以下代码来跟踪loss和acc： ``` train_losses = [] train_accs = [] for epoch in range(num_epochs): # 训练模型 # ... # 计算loss和acc train_loss = calculate_loss(...) train_acc = calculate_accuracy(...) train_losses.append(train_loss) train_accs.append(train_acc) ``` 然后，我们可以使用Matplotlib库来将这些值绘制成曲线。以下是一个例子： ``` import matplotlib.pyplot as plt # 绘制loss曲线 plt.plot(train_losses, label='train') plt.legend() plt.xlabel('Epoch') plt.ylabel('Loss') plt.show() # 绘制acc曲线 plt.plot(train_accs, label='train') plt.legend() plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.show() ``` 这将会绘制出loss和accuracy的曲线，如下所示： ![loss_acc_curve](https://img-blog.csdn.net/20180112171409158?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbHVhbmdfd2Vi/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/q/85/img-hover) 这些曲线可以帮助我们了解模型的训练过程和性能表现。例如，我们可以观察loss曲线是否出现过拟合或者欠拟合的情况，以及acc曲线的上升趋势是否饱和。如果loss曲线不平滑或者acc曲线没有到达预期的水平，那么我们可能需要修改模型的架构或者训练算法，以获得更好的性能。 ### 回答3： PyTorch 是一种广泛使用的深度学习框架，它提供了许多便捷的工具和库，可以实现许多深度学习任务。在 PyTorch 中，通常需要对模型的训练过程进行监控和可视化，其中最常使用的方法就是绘制 loss 和 accuracy 曲线。 绘制 loss 曲线是为了评估模型的训练效果，如果 loss 的值不断下降，说明模型正在学习正确的特征和规律。而 accuracy 曲线则用于评估模型的性能，如果 accuracy 曲线逐渐升高，则说明模型的性能在不断提升。 在 PyTorch 中，可以利用 Matplotlib 库对 loss 和 accuracy 进行可视化。首先，需要在训练过程中记录训练的 loss 和 accuracy 值。在模型训练过程中，可以使用 TensorBoard 或 Matplotlib 等工具实时记录 loss 和 accuracy 值。 下面是绘制 loss 和 accuracy 曲线的代码示例： ```python import matplotlib.pyplot as plt # 记录训练过程中的 loss 和 accuracy train_losses = [] train_accuracies = [] # 模型训练部分代码 # ... # 绘制 loss 曲线 plt.plot(range(len(train_losses)), train_losses) plt.title('Training Loss') plt.xlabel('Iterations') plt.ylabel('Loss') plt.show() # 绘制 accuracy 曲线 plt.plot(range(len(train_accuracies)), train_accuracies) plt.title('Training Accuracy') plt.xlabel('Iterations') plt.ylabel('Accuracy') plt.show() ``` 在上述代码中，train_losses 和 train_accuracies 记录了训练过程中的 loss 和 accuracy 值，然后使用 Matplotlib 库绘制出相应的曲线。可以通过改变 Matplotlib 库的参数来实现不同的绘图效果，如调整曲线的颜色、线宽、标签等。 绘制曲线是一种很好的监控和分析模型训练过程的方法。在训练过程中，可以及时排查模型可能存在的问题，也可以对不同的模型和参数进行比较和优化，从而提高深度学习模型的训练效果和性能。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值