livelossplot

vidasssplot

¡No entrene modelos de aprendizaje profundo con los ojos vendados! ¡Sea impaciente y mire cada época de su entrenamiento!

(Cambios recientes, ejemplos en Colab, búsqueda de API, código)

Una trama de pérdida de entrenamiento en vivo en el cuaderno de Jupyter para Keras, Pytorch y otros marcos. Un paquete Python de código abierto de Piotr Migdał, Bartłomiej Olechno y otros. ¡Abierto para la colaboración! (Algunas tareas son tan simples como escribir documentos de código, así que, ¡sin excusas! :))

 from livelossplot import PlotLossesKeras

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

• (La mayor cantidad) P: ¿Por qué no Tensorboard?
• R: Compatibilidad del cuaderno de Jupyter (para exploración y enseñanza). La simplicidad de uso.

Instalación

Para instalar esta versión desde PYPI, escriba:

pip install livelossplot

Para obtener el más nuevo de este repositorio (tenga en cuenta que estamos en la etapa alfa, por lo que puede haber actualizaciones frecuentes), escriba:

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

Ejemplos

Mire los archivos de cuaderno con ejemplos de trabajo completos:

• keras.ipynb - una devolución de llamada de Keras
• Minimal.ipynb: una API desnuda, para usar en cualquier lugar
• bokeh.ipynb: una API desnuda, traca con bokeh (abriéntalo en Colab para ver las tramas)
• pytorch.ipynb - una API desnuda, aplicada a Pytorch
• 2D_Prediction_Maps.ipynb - Ejemplo de gráficos personalizados - 2D Mapas de predicción (0.4.1+)
• POUTYNE.IPYNB - Una devolución de llamada Poutyne (Poutyne es un marco similar a Keras para Pytorch)
• TorchBearer.ipynb: un ejemplo que utiliza la funcionalidad incorporada de TorchBearer (Torchbearer es una biblioteca de ajuste de modelo para Pytorch)
• neptune.py y neptune.ipynb - un neptune.ai
• matplotlib.ipynb: un ejemplo de salida de matplotlib
• Varios_options.ipynb: una API extendida para la agrupación de métricas y salidas personalizadas

Ejecute ejemplos en Colab.

Descripción general

Los registros de texto son fáciles, pero es fácil perder la información más crucial: ¿está aprendiendo, no hacer nada o sobreajuste? La retroalimentación visual nos permite realizar un seguimiento del proceso de capacitación. Ahora hay uno para Jupyter.

Si desea ponerse serio, use TensorBoard ,. Pero, ¿qué pasa si solo quieres entrenar un modelo pequeño en el cuaderno de Jupyter? Aquí hay una forma de hacerlo, usando livelossplot como componente de plug & play

de la importación de planos de vida ...

PlotLosses para una API genérica.

 plotlosses = PlotLosses()
plotlosses.update({'acc': 0.7, 'val_acc': 0.4, 'loss': 0.9, 'val_loss': 1.1})
plot.send()  # draw, update logs, etc

Hay devoluciones de llamadas para bibliotecas y marcos comunes: PlotLossesKeras , PlotLossesKerasTF , PlotLossesPoutyne , PlotLossesIgnite .

Siéntete invitado a escribir y contribuir a tu adaptador. Si desea usar un Logger desnudo, está MainLogger .

de LivernossPlot.outputs Import ...

Gráficos: MatplotlibPlot , BokehPlot .

Loggers: ExtremaPrinter (a la salida estándar), TensorboardLogger , TensorboardTFLogger , NeptuneLogger .

Para usarlos, inicialice PlotLosses con algunas salidas:

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

Existen gráficos matplotlib personalizados en livelossplot.outputs.matplotlib_subplots que puede pasar en argumentos MatplotlibPlot .

Si te gusta trazar con bokeh en lugar de matplotlib, usa

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

Patrocinadores

Este proyecto apoyado por Jacek Migdał, Marek Cichy, Casper da Costa-Luis y Piotr Zientara. Únase a los patrocinadores: ¡Muestre su ❤️ y soporte, y aparezca en la lista! Me dará tiempo y energía para trabajar en este proyecto.

Este proyecto también está respaldado por un programa europeo del programa operacyjny Inteligentny Rozwój para GearPhift: construyendo el motor del comportamiento de los vehículos motorizados con ruedas y la generación de mapas basadas en algoritmos de inteligencia artificial implementados en la plataforma de motor Unreal Leading por los juegos de ECC (NCBR Grant GameInn).

Trivialidades

Comenzó como esta esencia. Como fue popular, decidí reescribirlo como un paquete.

Ah, y en general estoy interesado en los datos VIS, ver diagramas simples de redes neuronales enrevesadas (y descripción general de los diagramas de arquitectura de aprendizaje profundo):

Un buen diagrama vale más que mil ecuaciones: ¡creemos más de estas!

... o mis otros proyectos de datos de datos.

Hacer

Si desea más funcionalidad, abra un problema o incluso mejor, prepare una solicitud de extracción.