共计 2103 个字符,预计需要花费 6 分钟才能阅读完成。
导读 | 这篇文章主要为大家介绍了 caffe 的 python 接口绘制 loss 和 accuracy 曲线示例详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪 |
引言
使用 python 接口来运行 caffe 程序,主要的原因是 python 非常容易可视化。所以不推荐大家在命令行下面运行 python 程序。如果非要在命令行下面运行,还不如直接用 c++ 算了。
推荐使用 jupyter notebook,spyder 等工具来运行 python 代码,这样才和它的可视化完美结合起来。
anaconda 库
因为我是用 anaconda 来安装一系列 python 第三方库的,所以我使用的是 spyder, 与 matlab 界面类似的一款编辑器,在运行过程中,可以查看各变量的值,便于理解,如下图:
只要安装了 anaconda,运行方式也非常方便,直接在终端输入 spyder 命令就可以了。
python 接口实现
在 caffe 的训练过程中,我们如果想知道某个阶段的 loss 值和 accuracy 值,并用图表画出来,用 python 接口就对了。
# -*- coding: utf-8 -*-
"""
Created on Tue Jul 19 16:22:22 2016
@author: root
"""
import matplotlib.pyplot as plt
import caffe
caffe.set_device(0)
caffe.set_mode_gpu()
# 使用 SGDSolver,即随机梯度下降算法
solver = caffe.SGDSolver('/home/xxx/mnist/solver.prototxt')
# 等价于 solver 文件中的 max_iter,即最大解算次数
niter = 9380
# 每隔 100 次收集一次数据
display= 100
# 每次测试进行 100 次解算,10000/100
test_iter = 100
# 每 500 次训练进行一次测试(100 次解算),60000/64
test_interval =938
#初始化
train_loss = zeros(ceil(niter * 1.0 / display))
test_loss = zeros(ceil(niter * 1.0 / test_interval))
test_acc = zeros(ceil(niter * 1.0 / test_interval))
# iteration 0,不计入
solver.step(1)
# 辅助变量
_train_loss = 0; _test_loss = 0; _accuracy = 0
# 进行解算
for it in range(niter):
# 进行一次解算
solver.step(1)
# 每迭代一次,训练 batch_size 张图片
_train_loss += solver.net.blobs['SoftmaxWithLoss1'].data
if it % display == 0:
# 计算平均 train loss
train_loss[it // display] = _train_loss / display
_train_loss = 0
if it % test_interval == 0:
for test_it in range(test_iter):
# 进行一次测试
solver.test_nets[0].forward()
# 计算 test loss
_test_loss += solver.test_nets[0].blobs['SoftmaxWithLoss1'].data
# 计算 test accuracy
_accuracy += solver.test_nets[0].blobs['Accuracy1'].data
# 计算平均 test loss
test_loss[it / test_interval] = _test_loss / test_iter
# 计算平均 test accuracy
test_acc[it / test_interval] = _accuracy / test_iter
_test_loss = 0
_accuracy = 0
# 绘制 train loss、test loss 和 accuracy 曲线
print '\nplot the train loss and test accuracy\n'
_, ax1 = plt.subplots()
ax2 = ax1.twinx()
# train loss -> 绿色
ax1.plot(display * arange(len(train_loss)), train_loss, 'g')
# test loss -> 黄色
ax1.plot(test_interval * arange(len(test_loss)), test_loss, 'y')
# test accuracy -> 红色
ax2.plot(test_interval * arange(len(test_acc)), test_acc, 'r')
ax1.set_xlabel('iteration')
ax1.set_ylabel('loss')
ax2.set_ylabel('accuracy')
plt.show()
最后生成的图表在上图中已经显示出来了。
正文完
星哥说事-微信公众号
![post-qrcode](https://www.xgss.net/wp-content/uploads/2023/07/二维码-微信公众号256x256.jpg)