Pytorch中使用tensorboard学习笔记(11) 添加pr曲线add_pr_curve

最新推荐文章于 2023-05-07 11:53:57 发布
最新推荐文章于 2023-05-07 11:53:57 发布
阅读量2.1k 收藏 3
点赞数 1
分类专栏： Tensorboard在Pytorch中使用的学习笔记 零基础学习SSD网络PyTorch实现 Deep-Learning-with-PyTorch
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/m0_46653437/article/details/111053636
版权

参考链接: add_pr_curve

代码:

from torch.utils.tensorboard import SummaryWriter
import numpy as np
np.random.seed(20200910)
labels = np.random.randint(2, size=100)  # binary label
predictions = np.random.rand(100)
writer = SummaryWriter()
writer.add_pr_curve('pr_curve林麻子', labels, predictions, 0)
writer.close()

# tensorboard --logdir=runs

运行结果展示:
在这里插入图片描述

敲代码的小风
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
MobileNet-SSD 计算 P-R曲线
12-22
用于计算 SSD/Mobilent-SSD/Shufflene-SSD/Squeezenet-SSD的准确率和P-R曲线
pytorch 中使用tensorboard，详解writer.add_pr_curve函数的作用（二）
小白的博客
06-20 2332
接上一篇文章 首先给出pytorch官方文档对tensorboard的教程 https://pytorch.apachecn.org/docs/1.4/6.html 目录 7 画损失函数（writer.add_scalar） 8 画pr曲线图(writer.add_pr_curve) 7 画损失函数（writer.add_scalar） writer.add_scalar('training loss', runnin...
PyTorch可视化-在PyTorch中使用TensorBoard
ayiya_Oese的博客
03-31 1146
PyTorch可视化-在PyTorch中使用TensorBoard安装可视化SummaryWriteradd_scalaradd_scalarsadd_imageadd_imagesadd_histogramadd_pr_curveadd_figureadd_hparamsadd_graph总结其他 在训练模型的过程中，可以使用TensorBoard对工作流中的一些数据进行可视化。 TensorBoard能够跟踪实验指标，例如损失和准确性，可视化模型图，将嵌入物投影到较低维度的空间等等。 PyTorch在t
PyTorch基础之模型保存与重载模块、可视化模块讲解（附源码）
showswoller的博客
04-29 1467
PyTorch基础之模型保存与重载模块、可视化模块讲解（附源码）
使用PyTorch进行深度学习-TensorBoard 可视化模型、数据和训练
qq_40379132的博客
05-10 2051
在之前的内容中， 已经展示了如何加载数据， 通过我们定义nn.Module的子类模型 , 在训练数据上训练该模型，并在测试数据上对其进行测试。 还打印出一些模型在训练过程中的统计数据以了解训练是否在进行中。 但是，PyTorch 与 TensorBoard可以做得更好，它是一种用于可视化神经网络训练运行结果的工具。 本次使用Fashion MNIST（使用 torchvision.datasets 导入 PyTorch ）数据集演示了它的一些功能。 读入数据并进行适当的转换（与之前的教程几乎相同）。 设
【Pytorch学习】TensorBoard 可视化模型，以及训练过程
AI知识搬运工
02-16 2218
【Pytorch学习】TensorBoard 可视化模型，以及训练过程 1，TensorBoard 设置与写入 现在，我们将设置 TensorBoard，从torch.utils导入tensorboard并定义SummaryWriter，这是将信息写入 TensorBoard 的关键对象。 #首先定义模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.co.
在Pytorch中使用样本权重(sample_weight)的正确方法
09-18
今天小编就为大家分享一篇在Pytorch中使用样本权重(sample_weight)的正确方法，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
在 PyTorch 中使用 spiking neural networks (SNN) 进行深度学习_spikingneuron
06-03
Norse 旨在利用仿生神经组件的优势，这些组件是稀疏且由事件驱动的——...Norse 使用仿生神经组件的原语扩展了 PyTorch，为您带来两个优势：基于 PyTorch 和深度学习兼容的脉冲神经网络组件的现代且经过验证的基础设施
Pytorch-pytorch深度学习教程之Tensorboard.zip
最新发布
05-22
在PyTorch中，Tensorboard是一个非常有用的工具，它源自TensorFlow，但也可以与PyTorch无缝集成，用于可视化和调试深度学习模型。这个压缩包文件"Pytorch_pytorch深度学习教程之Tensorboard.zip"很可能包含一系列...
pytorch使用tensorboardX进行loss可视化实例
09-17
TensorBoardX是一个PyTorch与TensorFlow的TensorBoard接口，它允许用户在PyTorch环境中方便地实现数据可视化，包括损失曲线、参数分布等。 要使用TensorBoardX进行loss可视化，首先需要通过pip安装TensorBoardX库：...
d2lzh_pytorch_深度学习_pytorch_d2lzh_pytorch下载_deeplearning_d2lzh_py
09-11
PyTorch内置了多种损失函数，可直接在模型中使用。 8. **模型评估与验证** 通过验证集上的性能来评估模型的泛化能力。常用的评估指标包括准确率、精确率、召回率和F1分数等。 9. **迁移学习与预训练模型** ...
使用TensorBoard可视化pytorch模型、数据以及模型训练过程
胖胖大海的博客
04-23 6330
tensorboard常用函数列表如下： torch.utils.tensorboard.writer.SummaryWriter tensorboard的入口，创建event files add_scalar(tag,scalar_value,global_step=None,walltime=None) 添加标量到event file add_scalars(main_tag,tag_scalar_dic...
pytorch中使用tensorboard可视化
Artificial Idiot
09-18 2820
文章目录tensorboard常用记录函数参数说明tagglobal_stepwalltime 安装目标：pytorch1.2.0+tensorboard1.14 当前环境： ubuntu16.04 已安装有tensorflow1.11(内部集成有tensorboard) python环境为anaconda,3.6版本 pytorch官网教程使用如下命令安装tensorboard pip...
Pytorch 绘制ROC，PR曲线图
Vertira的博客
12-29 2226
Pytorch 绘制ROC，PR曲线图
SSD算法评估：AP， mAP和Precision-Recall曲线
Jesse_Mx的博客
01-27 1万+
前言 对于目标检测算法来说，最终模型的评价至关重要。本文将针对SSD检测框架，简要叙述如何在模型的测试阶段，针对标注好的测试集，得到mAP，每一类的AP，以及画出P-R曲线。这里博主不再赘述mAP的概念及其计算公式，只说怎么修改caffe-ssd的代码。 模型测试 SSD算法的模型测试主要有两种方式，一种是训练中每间隔一定的迭代次数进行测试，一种是在模型训练结束后，针对某个caffemo...
【深度学习】tensorboard可视化网页详解
qq_44878985的博客
03-23 2649
训练模型时可视化必不可少。本文对tensorboard可视化网页的模块功能进行详细解释。
Pytorch 多分类模型绘制 ROC, PR 曲线
热门推荐
PanYHHH的博客
12-06 1万+
前言： 记录利用sklearn和matplotlib两个库为pytorch分类模型绘制roc，pr曲线的方法，不介绍相关理论。 ROC曲线： import torch import torch.nn as nn import os import numpy as np from torchvision.datasets import ImageFolder from utils.transform import get_transform_for_test from senet.se_resnet
PyTorch学习笔记2：nn.Module、优化器、模型的保存和加载、TensorBoard
qq_56591814的博客
11-18 1万+
一、nn.Module 1.1 nn.Module的调用 pytorch通过继承nn.Module类，定义子模块的实例化和前向传播，实现深度学习模型的搭建。其构建代码如下： import torch import torch.nn as nn class Model(nn.Module): def __init__(self, *kargs): # 定义类的初始化函数，...是用户的传入参数 super(Model, self).__init__()#调用父类nn.Module的初
（学习笔记）使用pytorch复现AlexNet网络识别minst数据集并绘制loss，PR，ROC曲线
skeete的博客
05-07 2130
本文主要是对个人学习过程的一个记录，采用pytorch复现Alexnet网络实现对minist数据集的识别
loss曲线 pytorch_PyTorch下的Tensorboard 使用
06-08
好的，我可以为您解答这个问题。在PyTorch中，可以使用Tensorboard来可视化训练过程中的loss曲线。以下是一些使用Tensorboard的步骤： 1. 安装Tensorboard: ```python pip install tensorboard ``` 2. 在PyTorch中导入Tensorboard: ```python from torch.utils.tensorboard import SummaryWriter ``` 3. 创建一个SummaryWriter对象: ```python writer = SummaryWriter(log_dir='logs') ``` 4. 在训练过程中，将loss写入到tensorboard中: ```python for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader): # 前向传播、反向传播等操作 # 计算loss loss = ... # 将loss写入tensorboard writer.add_scalar('train_loss', loss, epoch * len(train_loader) + i) ``` 5. 运行Tensorboard: ```python tensorboard --logdir=logs ``` 6. 打开浏览器，在地址栏输入http://localhost:6006/，进入Tensorboard可视化界面。 在Tensorboard上，您可以查看loss曲线、学习率曲线等。希望这个回答对您有所帮助！
评论 3
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