用于 Keras、PyTorch 等的 Jupyter Notebook 中的实时训练损失图。
项目描述
损失图
不要蒙着眼睛训练深度学习模型!不耐烦,看看你训练的每个时期!
Jupyter Notebook中针对Keras、PyTorch和其他框架的实时训练损失图。Piotr Migdał、Bartłomiej Olechno等人的开源 Python 包。开放合作!(有些任务就像编写代码文档字符串一样简单,所以 - 没有任何借口!:))
from livelossplot import PlotLossesKeras
model.fit(X_train, Y_train,
epochs=10,
validation_data=(X_test, Y_test),
callbacks=[PlotLossesKeras()],
verbose=0)
- (最FA)Q:为什么不用TensorBoard?
- A:Jupyter Notebook 兼容性(用于探索和教学)。使用简单。
安装
要从PyPI安装此版本,请键入:
pip install livelossplot
要从此 repo 中获取最新版本(请注意,我们处于 alpha 阶段,因此可能会频繁更新),请输入:
pip install git+git://github.com/stared/livelossplot.git
例子
查看带有完整工作示例的笔记本文件:
- keras.ipynb - Keras 回调
- minimum.ipynb - 一个裸 API,可在任何地方使用
- bokeh.ipynb - 一个裸 API,使用 Bokeh 绘图(在 Colab 中打开它以查看绘图)
- pytorch.ipynb - 一个裸 API,应用于 PyTorch
- 2d_prediction_maps.ipynb - 自定义绘图示例 - 2d 预测图 (0.4.1+)
- poutyne.ipynb - Poutyne 回调(Poutyne是 PyTorch 的类似 Keras 的框架)
- torchbearer.ipynb - 使用 torchbearer 内置功能的示例(torchbearer是 PyTorch 的模型拟合库)
- neptune.py和neptune.ipynb - Neptune.AI
- matplotlib.ipynb - Matplotlib 输出示例
- various_options.ipynb - 用于度量分组和自定义输出的扩展 API
概述
文本日志很容易,但很容易错过最关键的信息:是学习、什么都不做还是过度拟合?视觉反馈使我们能够跟踪培训过程。现在有一个用于 Jupyter 的。
如果你想认真使用TensorBoard,. 但是如果你只是想在 Jupyter Notebook 中训练一个小模型呢?这是一种方法,livelossplot
用作即插即用组件
从 livelossplot 导入...
PlotLosses
对于通用 API。
plotlosses = PlotLosses()
plotlosses.update({'acc': 0.7, 'val_acc': 0.4, 'loss': 0.9, 'val_loss': 1.1})
plot.send() # draw, update logs, etc
常见的库和框架有回调:PlotLossesKeras
, PlotLossesKerasTF
, PlotLossesPoutyne
, PlotLossesIgnite
.
感到被邀请编写并贡献您的适配器。如果你想使用裸记录器,有MainLogger
.
从 livelossplot.outputs 导入 ...
图:MatplotlibPlot
, BokehPlot
.
记录器:(ExtremaPrinter
到标准输出), TensorboardLogger
, TensorboardTFLogger
, NeptuneLogger
.
要使用它们,请使用一些输出初始化 PlotLosses:
plotlosses = PlotLosses(outputs=[MatplotlibPlot(), TensorboardLogger()])
您可以传入参数中的自定义matplotlib
图。livelossplot.outputs.matplotlib_subplots
MatplotlibPlot
如果您想使用Bokeh而不是matplotlib绘图,请使用
plotlosses = PlotLosses(outputs=[BokehPlot()])
赞助商
该项目由Jacek Migdał、Marek Cichy、Casper da Costa-Luis和Piotr Zientara支持。加入赞助商 - 展示你的❤️和支持,并出现在名单上!它会给我时间和精力来完成这个项目。
该项目还得到了欧洲项目Program Operacyjny Inteligentny Rozwój for GearShift 的支持——基于ECC Games 领导的虚幻引擎平台上实施的人工智能算法构建轮式机动车辆的行为引擎和地图生成(NCBR 授予 GameINN)。
琐事
它开始于这个要点。由于它流行起来,我决定将它重写为一个包。
哦,我一般对数据可视化感兴趣,请参阅卷积神经网络的简单图(以及深度学习架构图的概述):
一张好的图表抵得上一千个方程式——让我们创建更多的方程式吧!
...或我的其他项目数据。
去做
项目详情
下载文件
下载适用于您平台的文件。如果您不确定要选择哪个,请了解有关安装包的更多信息。
源分布
内置分布
livelossplot -0.5.5.tar.gz 的哈希值
算法 | 哈希摘要 | |
---|---|---|
SHA256 | e3dde5d4d56bcfda74b295a57d201fba589c03ff395c257199affe1da8b44d35 |
|
MD5 | b76a01ca084228a0ebd481bbd1aedb06 |
|
布莱克2-256 | 13e97a1bdea97b97a321844f38d707fe3e786d598215e6dc06e5a024f8494fe0 |
livelossplot -0.5.5-py3-none-any.whl 的哈希值
算法 | 哈希摘要 | |
---|---|---|
SHA256 | fde7c2894e841ada77f6c546ec0689ece9ffe2aca8b1fe09501e50a0ab7e3b86 |
|
MD5 | 601a42558942f53b6b3eb131300b1036 |
|
布莱克2-256 | e3fd07864f0fdb2d279d2b777fd6ac1ce6e31d19b23b7bc9807145b076d49f2b |