livelossplot

LivelosSplot

Trainieren Sie keine Deep Learning -Modelle mit verbundenen Augen! Seien Sie ungeduldig und schauen Sie sich jede Epoche Ihres Trainings an!

(Jüngste Änderungen, Beispiele in Colab, API -Lookup, Code)

Ein Live -Trainingsverlust in Jupyter Notebook für Keras, Pytorch und andere Frameworks. Ein Open-Source-Python-Paket von Piotr Migdał, Bartłomiej Olechno und anderen. Offen für die Zusammenarbeit! (Einige Aufgaben sind so einfach wie das Schreiben von Code docstrings, also - keine Ausreden! :))

 from livelossplot import PlotLossesKeras

model . fit ( X_train , Y_train ,
          epochs = 10 ,
          validation_data = ( X_test , Y_test ),
          callbacks = [ PlotLossesKeras ()],
          verbose = 0 )

• (The Most FA) F: Warum nicht Tensorboard?
• A: Jupyter Notebook -Kompatibilität (zur Erkundung und Lehre). Die Einfachheit des Gebrauchs.

Installation

Um diese Version von PYPI zu installieren, geben Sie ein:

pip install livelossplot

Um das neueste aus diesem Repo zu erhalten (beachten Sie, dass wir uns in der Alpha -Stufe befinden.

pip install git+git://github.com/stared/livelossplot.git

Beispiele

Schauen Sie sich Notebook -Dateien mit vollständigen Arbeitsbeispielen an:

• keras.ipynb - ein Keras -Rückruf
• minimal.ipynb - eine bloße API, die überall verwendet werden kann
• bokeh.ipynb - eine bloße API, Diagramme mit Bokeh (öffnen Sie sie in Colab, um die Diagramme zu sehen)
• pytorch.ipynb - eine bloße API, die auf Pytorch angewendet wird
• 2D_Prediction_maps.ipynb - Beispiel für benutzerdefinierte Diagramme - 2D -Vorhersagekarten (0.4.1+)
• Poutyne.ipynb - Ein Poutyne -Rückruf (Poutyne ist ein Keras -ähnliches Framework für Pytorch)
• Torchbearer.IPynb - Ein Beispiel für die integrierte Funktionalität von Torchbearer (Torchträger ist eine Modellanpassungsbibliothek für Pytorch)
• Neptune.py und Neptune.ipynb - a Neptune.ai
• Matplotlib.ipynb - Ein Matplotlib -Ausgangsbeispiel
• various_options.ipynb - Eine erweiterte API für die Gruppierung von Metriken und benutzerdefinierte Ausgänge

Sie leiten Beispiele in Colab.

Überblick

Textprotokolle sind einfach, aber es ist leicht, die wichtigsten Informationen zu verpassen: Lernt es, nichts oder übertroffen? Visuelles Feedback ermöglicht es uns, den Trainingsprozess zu verfolgen. Jetzt gibt es einen für Jupyter.

Wenn Sie ernst werden möchten, verwenden Sie Tensorboard. Aber was ist, wenn Sie nur ein kleines Modell im Jupyter -Notizbuch trainieren möchten? Hier finden Sie eine Möglichkeit, livelossplot als Plug & Play -Komponente zu verwenden

aus Livelosplot Import ...

PlotLosses für eine generische 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

Es gibt Rückrufe für allgemeine Bibliotheken und Frameworks: PlotLossesKeras , PlotLossesKerasTF , PlotLossesPoutyne , PlotLossesIgnite .

Fühlen Sie sich eingeladen, Ihren Adapter zu schreiben und beizutragen. Wenn Sie einen nackten Logger verwenden möchten, gibt es MainLogger .

von livelossplot.outputs import ...

Diagramme: MatplotlibPlot , BokehPlot .

Logger: ExtremaPrinter (bis Standardausgang), TensorboardLogger , TensorboardTFLogger , NeptuneLogger .

Um sie zu verwenden, initialisieren Sie Plotlosses mit einigen Ausgängen:

 plotlosses = PlotLosses(outputs=[MatplotlibPlot(), TensorboardLogger()])

Es gibt benutzerdefinierte matplotlib -Diagramme in livelossplot.outputs.matplotlib_subplots Sie können MatplotlibPlot -Argumente übergeben.

Wenn Sie mit Bokeh anstelle von Matplotlib zeichnen möchten, verwenden Sie

 plotlosses = PlotLosses(outputs=[BokehPlot()])

Sponsoren

Dieses Projekt unterstützte Jacek Migdał, Marek Cichy, Casper da Costa-Luis und Piotr Zientara. Schließen Sie sich den Sponsoren an - zeigen Sie Ihre ❤️ und Unterstützung und erscheinen auf der Liste! Es wird mir Zeit und Energie geben, an diesem Projekt zu arbeiten.

Dieses Projekt wird auch von einem europäischen Programmprogramm Operacyjny Innisigentny Rozwój für Gearshift unterstützt - Bau des Verhaltens des Verhaltens von Kraftfahrzeugen und der MAP -Generation basierend auf künstlichen Intelligenzalgorithmen, die auf der Unreal Engine -Plattform von ECC -Spielen (NCBR Grant GameInn) implementiert sind.

Trivia

Es begann als dieser Kern. Da es populär wurde, habe ich beschlossen, es als Paket neu zu schreiben.

Oh, und ich interessiere mich im Allgemeinen für Daten vis. Siehe einfache Diagramme von verworrenen neuronalen Netzwerken (und Überblick über Deep Learning Architecture Diagrams):

Ein gutes Diagramm sagt tausend Gleichungen wert - lassen Sie uns mehr davon schaffen!

... oder meine anderen Daten gegen Projekte.

Todo

Wenn Sie mehr Funktionen wünschen - ein Problem öffnen oder noch besser -, erstellen Sie eine Pull -Anfrage.