DL笔记1可视化

最新推荐文章于 2024-04-24 17:55:24 发布
最新推荐文章于 2024-04-24 17:55:24 发布
阅读量101 收藏
点赞数
分类专栏： DL笔记 文章标签： pytorch python matlab
原文链接：https://blog.csdn.net/weixin_38635229/article/details/94664660?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-11.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%
版权

李沐：

# -*- coding: utf-8 -*-

import matplotlib.pyplot as plt

if __name__ == '__main__':
    train_loss = 5
    val_loss = 5
    train_acc = 0.0
    val_acc = 0.0

    x = []
    train_loss_list = []
    val_loss_list = []
    train_acc_list = []
    val_acc_list = []

    for epoch in range(200):

        # 生成数据，此处应根据实际训练过程获取训练集loss和acc
		# 以及验证集loss和acc
        train_loss -= epoch * 0.1
        val_loss -= epoch * 0.11

        train_acc += epoch*0.01
        val_acc += epoch*0.011

        x.append(epoch)
        train_loss_list.append(train_loss)
        val_loss_list.append(val_loss)
        train_acc_list.append(train_acc)
        val_acc_list.append(val_acc)
	
		plt.figure(figsize=(3, 6), dpi=100)
        # 创建两行一列的图，并指定当前使用第一个图
        plt.subplot(2, 1, 1)
        try:
            train_loss_lines.remove(train_loss_lines[0])  # 移除上一步曲线
            val_loss_lines.remove(val_loss_lines[0])
        except Exception:
            pass

        train_loss_lines = plt.plot(x, train_loss_list, 'r', lw=1)  # lw为曲线宽度
        val_loss_lines = plt.plot(x, val_loss_list, 'b', lw=1)
        plt.title("loss")
        plt.xlabel("epoch")
        plt.ylabel("loss")
        plt.legend(["train_loss",
                    "val_loss"])

        # # 创建两行一列的图，并指定当前使用第二个图
        plt.subplot(2, 1, 2)
        try:
            train_acc_lines.remove(train_acc_lines[0])  # 移除上一步曲线
            val_acc_lines.remove(val_acc_lines[0])
        except Exception:
            pass

        train_acc_lines = plt.plot(x, train_acc_list, 'r', lw=1)  # lw为曲线宽度
        val_acc_lines = plt.plot(x, val_acc_list, 'b', lw=1)
        plt.title("acc")
        plt.xlabel("epoch")
        plt.ylabel("acc")
        plt.legend(["train_acc",
                    "val_acc"])

        plt.show()
        plt.pause(0.1)  # 图片停留0.1s

参考

参考2

tensorboard

Loss_list = []
Accuracy_list = []

Loss_list.append(train_loss / (len(train_dataset)))
Accuracy_list.append(100 * train_acc / (len(train_dataset)))

#我这里迭代了200次，所以x的取值范围为(0，200)，然后再将每次相对应的准确率以及损失率附在x上
x1 = range(0, 200)
x2 = range(0, 200)
y1 = Accuracy_list
y2 = Loss_list
plt.subplot(2, 1, 1)
plt.plot(x1, y1, ‘o-’)
plt.title(‘Test accuracy vs. epoches’)
plt.ylabel(‘Test accuracy’)
plt.subplot(2, 1, 2)
plt.plot(x2, y2, ‘.-’)
plt.xlabel(‘Test loss vs. epoches’)
plt.ylabel(‘Test loss’)
plt.show()
plt.savefig(“accuracy_loss.jpg”)

# -*- coding: utf-8 -*-

import matplotlib.pyplot as plt

if __name__ == '__main__':
    train_loss = 5
    val_loss = 5
    train_acc = 0.0
    val_acc = 0.0

    x = []
    train_loss_list = []
    val_loss_list = []
    train_acc_list = []
    val_acc_list = []

    for epoch in range(200):

        # 生成数据，此处应根据实际训练过程获取训练集loss和acc
		# 以及验证集loss和acc
        train_loss -= epoch * 0.1
        val_loss -= epoch * 0.11

        train_acc += epoch*0.01
        val_acc += epoch*0.011

        x.append(epoch)
        train_loss_list.append(train_loss)
        val_loss_list.append(val_loss)
        train_acc_list.append(train_acc)
        val_acc_list.append(val_acc)
	
		plt.figure(figsize=(3, 6), dpi=100)
        # 创建两行一列的图，并指定当前使用第一个图
        plt.subplot(2, 1, 1)
        try:
            train_loss_lines.remove(train_loss_lines[0])  # 移除上一步曲线
            val_loss_lines.remove(val_loss_lines[0])
        except Exception:
            pass

        train_loss_lines = plt.plot(x, train_loss_list, 'r', lw=1)  # lw为曲线宽度
        val_loss_lines = plt.plot(x, val_loss_list, 'b', lw=1)
        plt.title("loss")
        plt.xlabel("epoch")
        plt.ylabel("loss")
        plt.legend(["train_loss",
                    "val_loss"])

        # # 创建两行一列的图，并指定当前使用第二个图
        plt.subplot(2, 1, 2)
        try:
            train_acc_lines.remove(train_acc_lines[0])  # 移除上一步曲线
            val_acc_lines.remove(val_acc_lines[0])
        except Exception:
            pass

        train_acc_lines = plt.plot(x, train_acc_list, 'r', lw=1)  # lw为曲线宽度
        val_acc_lines = plt.plot(x, val_acc_list, 'b', lw=1)
        plt.title("acc")
        plt.xlabel("epoch")
        plt.ylabel("acc")
        plt.legend(["train_acc",
                    "val_acc"])

        plt.show()
        plt.pause(0.1)  # 图片停留0.1s



#首先定义了横坐标和总坐标数组
x = []#用于存放横坐标
t_loss = []#用于存放train_loss
v_loss = []#用于存放train_loss
###################

#在此之前需先在迭代中计算出两个loss
#####################################
x.append(epoch * iter + i) #此步为更新迭代步数
t_loss.append(train_loss)
v_loss.append(val_loss)

try:
  train_loss_lines.remove(train_loss_lines[0]) #移除上一步曲线
  val_loss_lines.remove(val_loss_lines[0])
except Exception:
  pass
train_loss_lines = plt.plot(x, t_loss, 'r', lw=5)#lw为曲线宽度
val_loss_lines = plt.plot(x, v_loss, 'b', lw=5)

plt.title("loss")
plt.xlabel("steps")
plt.ylabel("loss")
plt.legend(["train_loss",
            "val_loss"])
plt.pause(0.1) #图片停留0.1s

matplot绘图

import numpy as np
import matplotlib.pyplot as plt
#创建自变量数组
x= np.linspace(0,2*np.pi,500)
#创建函数值数组
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
#创建图形
plt.figure(1)
 
#第一行第一列图形
ax1 = plt.subplot(2,2,1)
#第一行第二列图形
ax2 = plt.subplot(2,2,2)
#第二行
ax3 = plt.subplot(2,1,2)
 
#选择ax1
plt.sca(ax1)
plt.plot(x,y1,'r-.')
plt.ylim(-1.5,1.5)  #限定y axis
 
#选择ax2
plt.sca(ax2)
plt.plot(x,y2,'g--')
plt.ylim(-1.5,1.5)
 
#选择ax3
plt.sca(ax3)
plt.plot(x,y3,'b--')
plt.ylim(-1.5,1.5)
plt.savefig('.//result//3.6.png')
plt.show()

在这里插入图片描述

 2.多个函数绘制于一张图

plt.legend() 表示图例

plt.legend(loc=' best')

其中，loc的选择有

    center            upper center       best               lower center     lower right        lower left      
    upper right     right                   upper left         center left         center right 

在设置图例之前，需要在plt.plot()中设置label

    import matplotlib.pyplot as plt
    import numpy as np
    x = np.linspace(0,2*np.pi,500)
    y1 = np.sin(x)
    y2 = np.cos(x)
    y3 = np.cos(x)-1
     
     
    plt.plot(x,y1,color = 'r',label = 'sinx')         #label每个plot指定一个字符串标签
    plt.plot(x,y2,'-.', color = 'b', label = 'cosx')
    plt.plot(x,y3,'--', color = 'g', label = 'cosx-1')
    plt.legend(loc=' best')
     
    plt.savefig('.//result//3.7.png')
    plt.show()


————————————————
版权声明：本文为CSDN博主「JingWang111」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/haikuotiankong7/article/details/90551841

matplot总结

借我千百年丶
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PaddlePaddle|CV疫情特辑（一）：新冠疫情可视化
01-20
PaddlePaddle|CV疫情特辑（一）：新冠疫情可视化 本节内容来自：百度AIstudio课程 做一个记录。 本节作业： 本地安装PaddlePaddle 新冠疫情可视化 课程内容： 一、数据准备 上网的全过程: 普通用户 打开浏览器 –> ...
欧姆龙CP1E与DL-RS1A通讯程序
03-08
欧姆龙PLC，CP1E与基恩士位移传感器通讯模块DL-RS1A进行RS232通讯程序
关于深度学习中迭代次数iter和epoch等的关系
热门推荐
qq_40586364的博客
09-05 2万+
1.在深度学习的训练中，epoch指的是所有的数据遍历了几次，而iter指的是整个batchsize输入到网络多少次，如果非得说关系，那(iter*batchsize)/sum_photos=epoch
python用plt.plot画图时报错 can't multiply sequence by non-int of type 'float'
watermelon_learn的博客
01-21 3416
报错行： plt.plot(useNumber, Cost, 'r', linewidth='1', label=methodList[0], linestyle='--') 但是我在另一台电脑上运行时没有问题的，所以很奇怪。估计是matplotlib的版本问题。   百度时发现有个人和我问题类似：https://blog.csdn.net/sinat_19758811/article/...
神经网络训练时如何绘制loss的动态曲线
m0_46447790的博客
04-19 1万+
> 在神经网络训练中，可以利用tensorboard进行查看loss曲线及graph图，但是比较麻烦，本人想在训练代码中加入一段代码，实现train_loss及val_loss的实时动态变化，方便观察损失函数变化来调整网络参数。 > 本方法亦可用于其他动态曲线显示，实现起来代码比较简单，容易理解 x = [] t_loss = [] v_loss = [] ...
神经网络：Epoch、Batch Size和迭代
paddle video_tag模型踩坑
06-16 4199
Epoch、Batch Size和迭代 深度学习模型离不开这3个术语，下面我们来了解下它们的区别 和联系？ 背景知识： 梯度下降 分三点：1.直观理解 2. 梯度下降怎么做（附带推荐编程实践） 3. 梯度下降有啥用 1、直观理解梯度下降： 其实它没啥就是让计算机不断猜最小值的那个点自变量x在哪，猜大了让它小一点，猜小了让它大一点。 主要三点： 1.梯度下降：两个意思，1.根据梯度（导数）的符号来判断最小值点x在哪;让函数值下降（变小） 2.梯度就是导数（对于多维就是偏导数） 3.梯度下降作用是找到函数的最小
Python - 深度学习训练过程使用matplotlib.pyplot实时动态显示loss和acc曲线
HW140701的博客
07-19 8641
1 深度学习训练过程中实时动态显示loss和acc曲线 可参考代码如下： # -*- coding: utf-8 -*- import matplotlib.pyplot as plt if __name__ == '__main__': train_loss = 5 val_loss = 5 train_acc = 0.0 val_acc = 0.0 x = [] train_loss_list = [] val_loss_list = []
人工智能-项目实践-深度学习-可视化-YoloX可视化训练插件.zip
12-23
人工智能-项目实践-深度学习-可视化-YoloX可视化训练插件 YoloX_EasyTrain 这是一个YoloX的训练插件，通过可视化的方式管理工程，训练模型。方便，高效！适合yolox新人朋友以及重度用户，让你点点鼠标就能训练自己...
基恩士DL-/EP1光电传感器
06-15
基恩士 DL- EP1光电传感器驱动，激光传感器驱动程序 ，
DL-RS1A基恩士激光传感器技术手册
03-16
DL-RS1A基恩士激光传感器技术手册，RS-232C 通信模組 DL-RS1A 操作手冊DL-RS1A基恩士激光传感器技术手册，RS-232C 通信模組 DL-RS1A 操作手冊
利用pytorch的载入训练npy类型数据代码
caihaihua0572的博客
03-19 5198
utils import os import sys import json import pickle import random import imageio import numpy as np import torch from tqdm import tqdm def train_one_epoch(model, optimizer, data_loader, device, epoch): model.train() loss_function = torch.nn.C.
Pytorch 搭建卷积神经网络CNN和循环神经网络RNN在GPU上预测MNIST数据集
白水的博客
08-24 1952
import torch import torch.nn as nn from torch.autograd import Variable import matplotlib.pyplot as plt import torch.utils.data as Data import torchvision # 下载MNIST数据集 DOWNLOAD_MNIST = True train_data...
train loss与test loss结果分析
Mercurial
11-20 1万+
转自 https://blog.csdn.net/jacke121/article/details/79874555，https://blog.csdn.net/weixin_38796572/article/details/80488229 train loss 不断下降，test loss不断下降，说明网络仍在学习; train loss 不断下降，test loss趋于不变，说明网络过拟...
人工智能入门（一）：基于Pytorch的手写数字识别模型
weixin_63441326的博客
04-21 800
学习过线性代数的话，你可能对矩阵比较熟悉，张量其实就是矩阵向任意维度的推广。（1）如果一个矩阵只有一个元素，那么它被称为0阶张量；（2）如果一个矩阵只有一行或者一列（我们称其为只有一个“轴”），则被称为一阶张量；（3）显然，大部分的矩阵都有m行n列（有两个轴），则就被称为二阶张量；（4）如果将一个二阶张量看作一个整体，由多个二阶张量组成一个新的数组，则二阶张量就被推广为三阶张量；当然，我本人有个小技巧帮助你推导三阶之后的张量。来，跟我念：一个张量、往下拉、往右拉、往后拉；
6.Vgg16--CNN经典网络模型详解（pytorch实现）
最新发布
weixin_71719718的博客
04-24 352
3.下载完后写一个spile_data.py文件，将数据集进行分类。4.再写一个train.py文件，用来训练模型。
PyTorch深度解析：Tensor——神经网络的核心构建块
huanfeng_AI的博客
04-20 1123
具体来说，神经网络的输入数据被转换为Tensor，然后通过一系列的网络层进行前向传播，得到输出Tensor。在训练过程中，根据输出Tensor与真实标签之间的误差，通过反向传播算法计算梯度，并更新网络参数（这些参数也是以Tensor的形式存在的）。本文将深入探讨PyTorch中的Tensor，从其基本定义、特性、操作到实际应用，全面解析其在神经网络中的核心地位。：PyTorch中的Tensor支持多种数据类型，如float32、float64、int32等，以适应不同的计算需求。
分析和比较深度学习框架 PyTorch 和 Tensorflow
weixin_43784341的博客
04-24 582
综上所述，PyTorch和TensorFlow都是强大的深度学习框架，具有各自的优点和适用场景。选择哪个框架取决于你的具体需求、经验以及对框架的偏好。如果你正在寻找一个易于使用和调试的框架，并且更关注实验和原型设计，那么PyTorch可能是一个更好的选择。而如果你需要高性能的分布式训练、强大的硬件支持和丰富的生态系统，那么TensorFlow可能更适合你。PyTorch和TensorFlow都是目前最受欢迎的深度学习框架，它们各自具有独特的优点和特性。
【编译程序介绍】
武帝为此的博客
04-22 1287
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。
[python3] 读取一个正在更新的日志文件
言之。
04-24 349
等同于–follow=name --retry，根据文件名进行追踪，并保持重试，即该文件被删除或改名后，如果再次创建相同的文件名，会继续追踪。这两种方法都会持续监听日志文件的变化，并实时读取新增的日志内容。你可以根据实际需求选择其中一种方法。要读取一个正在更新的日志文件（即实时写入的日志文件），你可以使用 Python 的。的技巧来实现实时读取。函数打开文件，并使用。
influxdb可视化工具命令执行
07-28
对于InfluxDB的可视化工具，常用的有Chronograf和Grafana。它们可以通过执行相应的命令来进行安装和管理。 对于Chronograf来说，安装命令如下： ``` sudo apt-get update sudo apt-get install chronograf ``` 安装完成后，可以通过启动命令来启动Chronograf： ``` sudo service chronograf start ``` 然后，在浏览器中访问 http://localhost:8888 ，即可打开Chronograf的可视化界面。 对于Grafana来说，安装命令如下： ``` sudo apt-get update sudo apt-get install -y adduser libfontconfig1 wget https://dl.grafana.com/oss/release/grafana_7.0.0_amd64.deb sudo dpkg -i grafana_7.0.0_amd64.deb ``` 安装完成后，可以通过启动命令来启动Grafana： ``` sudo systemctl start grafana-server ``` 然后，在浏览器中访问 http://localhost:3000 ，即可打开Grafana的可视化界面。 需要注意的是，以上命令适用于Ubuntu系统，其他系统可能有所不同。另外，安装完成后，你可能还需要进行一些配置和设置，具体可以参考官方文档或相关教程。

“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
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