Caffe：绘制loss曲线图

当我们设计好网络结构后，在神经网络训练的过程中，迭代输出的log信息中，一般包括：迭代次数、训练损失代价、测试损失代价、测试精度等。本文提供一段示例，简单讲述如何绘制训练曲线（training curve）。

首先看一段训练的log输出，网络结构参数忽略，直接跳到训练迭代阶段：

绘制训练曲线本质是对log文件进行操作，从上面的log文件中，我们可以看出：

（1）对于每个出现字段] Iteration和loss=的文本行，含有迭代次数以及损失函数

（2）对于每个含有字段] Iteration和Testing net (#0)的文本行，含有测试的对应的训练迭代次数

caffe提供了示例脚本，使用方法：

（1）将文件夹caffe/tools/extra下的parse_log.sh 、extract_seconds.py、plot_training_log.py.example复制到上一步log日志文件的保存目录下。

（2）复制一份plot_training_log.py.example文件，改名字为plot_training_log.py，并执行以下命令就可以绘制曲线：

　　python plot_training_log.py 6 train_loss.png mobilenet.log

（3）如果是使用SSH远程没有显示环境，在执行（2）命令之前更改plot_training_log.py文件。

　　在import matplotlib.cm as cmx之前，加入

import matplotlib

matplotlib.use('Agg')

　　并且将plt.show()注释掉

caffe支持多种曲线绘制，指定不同的类型参数即可，具体参数如下:

1. Notes:   
2.     1. Supporting multiple logs.   
3.     2. Log file name must end with the lower-cased ".log".   
4. Supported chart types:   
5.     0: Test accuracy  vs. Iters   
6.     1: Test accuracy  vs. Seconds   
7.     2: Test loss  vs. Iters   
8.     3: Test loss  vs. Seconds   
9.     4: Train learning rate  vs. Iters   
10.     5: Train learning rate  vs. Seconds   
11.     6: Train loss  vs. Iters   
12.     7: Train loss  vs. Seconds

显示结果如下：

可以看到纵坐标范围不当，可以使用plt.xlim和plt.ylim进行范围设置。

转载于:https://www.cnblogs.com/listia/articles/8552992.html