模型训练结果可视化

📚博客主页：knighthood2001
✨公众号：认知up吧 （目前正在带领大家一起提升认知，感兴趣可以来围观一下）
🎃知识星球：【认知up吧|成长|副业】介绍
❤️如遇文章付费，可先看看我公众号中是否发布免费文章❤️
🙏笔者水平有限，欢迎各位大佬指点，相互学习进步！

上文，我们返回的这样的一个数据。

    train_process = pd.DataFrame(data={
                                    "epoch": range(num_epochs),
                                    "train_loss_all": train_loss_all,
                                    "val_loss_all": val_loss_all,
                                    "train_acc_all": train_acc_all,
                                    "val_acc_all": val_acc_all, }
    )

接着，我们需要对其进行可视化。

结果展示

我跑了10轮，花了12分钟。

代码部分

def matplot_acc_loss(train_process):
    # 显示每一次迭代后的训练集和验证集的损失函数和准确率
    plt.figure(figsize=(12, 4))
    plt.subplot(1, 2, 1)
    plt.plot(train_process['epoch'], train_process.train_loss_all, "ro-", label="Train loss")
    plt.plot(train_process['epoch'], train_process.val_loss_all, "bs-", label="Val loss")
    plt.legend()
    plt.xlabel("epoch")
    plt.ylabel("Loss")
    plt.subplot(1, 2, 2)
    plt.plot(train_process['epoch'], train_process.train_acc_all, "ro-", label="Train acc")
    plt.plot(train_process['epoch'], train_process.val_acc_all, "bs-", label="Val acc")
    plt.xlabel("epoch")
    plt.ylabel("acc")
    plt.legend()
    plt.savefig("train_process.png")
    plt.show()

这段代码定义了一个函数 matplot_acc_loss(train_process)，用于绘制训练过程中每个 epoch 后的训练集和验证集的损失函数和准确率曲线，并保存为名为 train_process.png 的图片文件。

让我们逐步解释这个函数的实现：

1. 函数定义：

   def matplot_acc_loss(train_process):

• 这是一个 Python 函数的定义，函数名为 matplot_acc_loss，它接收一个参数 train_process，这个参数通常是一个包含训练过程中各种指标的数据结构，例如 DataFrame 或字典。

2. 绘制图像：

   plt.figure(figsize=(12, 4))

• 创建一个新的图形窗口，指定图形的大小为宽度 12 英寸，高度 4 英寸。

3. 绘制第一个子图（左侧） - 损失函数：

   plt.subplot(1, 2, 1)
   plt.plot(train_process['epoch'], train_process.train_loss_all, "ro-", label="Train loss")
   plt.plot(train_process['epoch'], train_process.val_loss_all, "bs-", label="Val loss")
   plt.legend()
   plt.xlabel("epoch")
   plt.ylabel("Loss")

• 使用 subplot 创建一个 1x2 的子图布局，当前选中第一个子图。
• 使用 plot 函数分别绘制训练集和验证集每个 epoch 的损失函数，train_process['epoch'] 是 x 轴数据，train_process.train_loss_all 和 train_process.val_loss_all 分别是训练集和验证集的损失函数数据。
• "ro-" 和 "bs-" 是绘图的样式，“ro-” 表示红色圆点线，“bs-” 表示蓝色方块线。
• legend() 添加图例，标明每条曲线对应的标签。
• xlabel 和 ylabel 分别设置 x 轴和 y 轴的标签。

4. 绘制第二个子图（右侧） - 准确率：

   plt.subplot(1, 2, 2)
   plt.plot(train_process['epoch'], train_process.train_acc_all, "ro-", label="Train acc")
   plt.plot(train_process['epoch'], train_process.val_acc_all, "bs-", label="Val acc")
   plt.xlabel("epoch")
   plt.ylabel("acc")
   plt.legend()

• 使用 subplot 选择第二个子图。
• 使用 plot 函数分别绘制训练集和验证集每个 epoch 的准确率，train_process.train_acc_all 和 train_process.val_acc_all 是对应的数据。
• "ro-" 和 "bs-" 是绘图的样式，“ro-” 表示红色圆点线，“bs-” 表示蓝色方块线。
• xlabel 和 ylabel 设置 x 轴和 y 轴的标签。
• legend() 添加图例，标明每条曲线对应的标签。

5. 保存和显示图像：

   plt.savefig("train_process.png")
   plt.show()

• savefig 函数将当前图形保存为名为 train_process.png 的图片文件。
• show 函数显示绘制好的图形窗口。