tensorboard 的可视化 同得到train和validation的loss曲线

最新推荐文章于 2024-04-22 16:07:30 发布
最新推荐文章于 2024-04-22 16:07:30 发布
阅读量1.6w 收藏 19
点赞数 6
文章标签： python tensorboard
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/jiachen0212/article/details/78254903
版权

效果图如上，精髓在于：

   summary_writer_train = tf.summary.FileWriter(FLAGS.logs_dir + '/train', sess.graph)
  summary_writer_val = tf.summary.FileWriter(FLAGS.logs_dir + '/val') #这里不需要再加入graph.
第二行末尾不需要加sess.graph!
网上某些代码真的误人子弟！

jiachen0212
关注
  • 6
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
validation jar包
11-29
使用spring validator 对bean进行类似js的校验 下载包 validation-api.jar hibernate-validator.jar
Keras在训练期间可视化训练误差和测试误差实例
01-19
详细的解释，读者自行打开这个链接查看，我这里只把最重要的说下 fit() 方法会返回一个训练期间历史数据记录对象，包含 training error, training accuracy, validation error, validation accuracy 字段，如下打印 # list all data in history print(history.history.keys()) 完整代码 # Visualize training history from keras.models import Sequential from keras.layers import Dens
python 绘制train和val的acc和loss曲线
06-18
import numpy as np import matplotlib.pyplot as plt import pylab as pl from mpl_toolkits.axes_grid1.inset_locator import inset_axes def plt_image(x_input, y_input, title, xlabel, ylabel): plt.plot(x_input, y_input, linewidth=2) plt.title(title) plt.xlabel(xlabel) plt.ylabel(ylabel) plt.show() data1_loss =np.loadtxt("val_loss_list.txt") data2_loss = np.loadtxt("train_loss_list.txt") data3_acc = np.loadtxt("val_acc_list.txt") epoches=range(0,100) plt_image(epoches, data1_loss
TensorBoard一张图显示多个Loss、Acc等数据
qq_46002142的博客
06-16 866
TensorBoard一张图显示多个Loss、Acc等数据
神经网络训练解决loss、validation loss(损失函数)波动或不收敛问题
weixin_43060600的博客
05-07 7844
神经网络训练解决loss、validation loss(损失函数)波动或不收敛问题
tensorboard可视化训练之train_loss和eval_loss放在同一曲线图中
mingo220的博客
11-26 6094
在进行模型训练时，需要同时将训练loss曲线和测试loss曲线显示在一个曲线图中，便于观察网络训练情况（是否过拟合、欠拟合）。 方法： train_writer = tf.summary.FileWriter(FLAGS.log_dir+'train', sess.graph) eval_writer = tf.summary.FileWriter(FLAGS.log_dir+'eval') #注...
tensorflow（13）----acc，loss可视化
bester_man的博客
12-10 1623
你在训练的时候看到下面这样的图片是不是感觉不太直观 当迭代次数多的时候，前面的loss和accuracy与后面的交织在一起，变化变得不那么直观，看起来会比较麻烦 那咱把这东西整成图不就好了，loss变成啥样，accuracy咋变的，一目了然，开整！ # history=model.fit(训练集数据，训练集标签，batch_size=,epochs=,validation_split=用作测试数据的比例,validation_data=测试集， # validation_freq=测试频率.
validation curve 验证曲线与超参数
lisenpy的博客
08-04 1275
验证曲线的作用 我们知道误差由偏差（bias）、方差（variance）和噪声（noise）责成。 偏差：模型对于不同的训练样本集，预测结果的平均误差。 方差：模型对于不同训练样本集的敏感程度 噪声：数据集本身的一项属性 同样的数据（cos函数上的点加上噪声），我们用同样的模型（polynomial），但是超参数却不同（degree=1, 4, 15），会得到不同的拟合效果： 第一个模型太简单，模型本身就拟合不了这些数据（高偏差）； 第二个模型可以看成几乎完美地拟合了数据； 第三个模型完美拟合了所有训练数
学习曲线和验证曲线
weixin_51524504的博客
04-11 464
学习曲线和验证曲线
训练集(train)验证集(validation)测试集(test)与交叉验证法
qq_62940532的博客
03-27 942
训练集(train)、验证集(validation)、测试集(test)与交叉验证法
keras训练曲线,混淆矩阵,CNN层输出可视化实例
12-17
训练曲线 def show_train_history(train_history, train_metrics, validation_metrics): plt.plot(train_history.history[train_metrics]) plt.plot(train_history.history[validation_metrics]) plt.title('...
validation_curve验证曲线与超参数
01-20
validation_curve()的位置 在之前，此函数位置在sklearn.learning_curve.validation_curve()，现在，此函数的位置在sklearn.model_selection.validation_curve()。 validation_curve()的作用 我们知道误差是由偏差...
浅谈Keras中shuffle和validation_split的顺序
09-16
主要介绍了浅谈Keras中shuffle和validation_split的顺序，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
数据可视化：数据可视化〜实现可拖拽数据可视化视图，数据获取配置
02-05
数据可视化 :bar_chart:可拖拽配置的可视化监控视图，易与扩展目前只完成了拖拽组件的配置及组件的合并与放大缩小，视图的预览功能。后面会增加单独的组件的属性修改配置并添加依赖组件及插件用于构造基本框架及部分...
Ansible 指定受控端使用Python的版本
shijin741231的博客
04-20 429
最近在装Ansible，有一台受控端Ubuntu16的服务器，安装了Python2.7.12和Pyhon3.5。当用Ansible连接它时，显示使用的是Python3.5。最后看文档，发现Ansible可以在hosts的文件中指定受控服上运行的Python。
【编译程序介绍】
最新发布
武帝为此的博客
04-22 809
简单来说，编译程序是一个软件，它读取用某种编程语言编写的源代码，分析并转换成等效的、可执行的机器语言代码。这个过程涉及多个复杂的步骤，包括语法分析、语义分析、代码优化和代码生成等。
【Python基础】面向对象(ObjectOriteProgramming)
weixin_46697247的博客
04-17 394
是程序开发的方法，将方法和属性封装在对象中，可以提高代码的重用型。print("扩展的内容")print("方法2"）print("方法1"）父类以及父类的父类的。
【python】python 模块学习之--Fabric
ZL4120505的博客
04-17 1222
root@hostnfsd :/soft/python/pyauto/第七章/fabric]$ python simple1_test.py。有时我们希望直接用脚本就可以执行，可以如下更改。
pytorch 怎么使用tensorboard可视化，tensorboard变量曲线可视化代码
05-27
使用PyTorch可视化TensorBoard的步骤如下： 1. 安装TensorBoard ``` pip install tensorboard ``` 2. 在PyTorch中创建SummaryWriter对象 ```python from torch.utils.tensorboard import SummaryWriter # 创建SummaryWriter对象 writer = SummaryWriter('runs/experiment_name') ``` 其中，`experiment_name`为实验名称，可以自定义。这里通过`runs`目录来存储实验数据。 3. 在训练或验证的过程中添加可视化代码 在代码中使用`writer.add_scalar()`方法来添加可视化代码，方法的参数包括要可视化的变量名、变量值和步数。例如： ```python # 添加训练损失 writer.add_scalar('Train/Loss', loss.item(), step) # 添加验证准确率 writer.add_scalar('Validation/Accuracy', accuracy, step) ``` 4. 启动TensorBoard 在命令行中使用以下命令启动TensorBoard： ``` tensorboard --logdir runs ``` 其中，`--logdir`参数指定实验数据所在的目录。在上面的代码中，我们将实验数据保存在`runs`目录下。 5. 在浏览器中查看可视化结果 在浏览器中输入以下地址查看TensorBoard可视化结果： ``` http://localhost:6006/ ``` 这里是一个可视化变量曲线的代码示例： ```python import torch from torch.utils.tensorboard import SummaryWriter # 创建SummaryWriter对象 writer = SummaryWriter('runs/experiment_name') # 创建模拟数据 x = torch.linspace(-5, 5, 100) y = torch.sin(x) # 可视化曲线 for i in range(100): writer.add_scalar('Sin(x)', y[i], i) # 关闭SummaryWriter对象 writer.close() ``` 这段代码将生成一条正弦曲线，并将其可视化在TensorBoard中。在TensorBoard中，我们可以选择`Scalars`选项卡来查看变量曲线。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
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