Téléchargement livelossplot - Téléchargement du code source livelossplot

livelossplot

Python

1.0.0

Télécharger

Wivelosspllot

Ne formez pas les modèles d'apprentissage en profondeur les yeux bandés! Soyez impatient et regardez chaque époque de votre formation!

(Modifications récentes, exemples de colab, recherche d'API, code)

Un complot de perte de formation en direct dans Jupyter Notebook pour Keras, Pytorch et d'autres cadres. Un package Python open source de Piotr Migdał, Bartłomiej Olechno et autres. Ouvert pour la collaboration! (Certaines tâches sont aussi simples que d'écrire des docstrings de code, donc - pas d'excuses! :))

 from livelossplot import PlotLossesKeras

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

(Le plus fa) Q: Pourquoi pas Tensorboard?
R: Compatibilité du cahier Jupyter (pour l'exploration et l'enseignement). La simplicité d'utilisation.

Installation

Pour installer cette version à partir de PYPI, Type:

pip install livelossplot

Pour obtenir le plus récent de ce dépôt (notez que nous sommes au stade alpha, donc il peut y avoir des mises à jour fréquentes), type:

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

Exemples

Regardez les fichiers de carnet avec des exemples de travail complets:

keras.ipynb - un rappel Keras
minimal.ipynb - une API nue, à utiliser n'importe où
bokeh.ipynb - une API nue, parcelles avec bokeh (ouvrez-la à Colab pour voir les parcelles)
pytorch.ipynb - une API nue, appliquée à Pytorch
2d_prediction_maps.ipynb - Exemple de tracés personnalisés - Cartes de prédiction 2D (0.4.1+)
Poutyne.ipynb - Un rappel Poutyne (Poutyne est un framework de type Keras pour Pytorch)
Torchbereer.ipynb - Un exemple utilisant les fonctionnalités intégrées de Torchbereer (Torchbereer est une bibliothèque d'ajustement de modèle pour Pytorch)
neptune.py et neptune.ipynb - a neptune.ai
Matplotlib.ipynb - Un exemple de sortie Matplotlib
divers_options.ipynb - Une API étendue pour le groupe de métriques et les sorties personnalisées

Vous exécutez des exemples dans Colab.

Aperçu

Les journaux de texte sont faciles, mais il est facile de manquer les informations les plus cruciales: est-ce que l'apprentissage, ne fait rien ou ne sur ajustement? La rétroaction visuelle nous permet de suivre le processus de formation. Maintenant, il y en a un pour Jupyter.

Si vous voulez devenir sérieux - utilisez Tensorboard ,. Mais que se passe-t-il si vous voulez juste former un petit modèle dans Jupyter Notebook? Voici une façon de le faire, en utilisant livelossplot comme composant Plug & Play

de la réalisation de la réalisation d'importation ...

PlotLosses pour une API générique.

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

Il existe des rappels pour les bibliothèques et les frameworks communs: PlotLossesKeras , PlotLossesKerasTF , PlotLossesPoutyne , PlotLossesIgnite .

Sentez-vous invité à écrire et à contribuer, votre adaptateur. Si vous souhaitez utiliser un bûcheron nu, il y a MainLogger .

de LifeLossplot.output Import ...

Plots: MatplotlibPlot , BokehPlot .

Logueurs: ExtremaPrinter (à la sortie standard), TensorboardLogger , TensorboardTFLogger , NeptuneLogger .

Pour les utiliser, initialisez les tracé avec certaines sorties:

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

Il y a des tracés matplotlib personnalisés dans vie MatplotlibPlot livelossplot.outputs.matplotlib_subplots .

Si vous aimez tracer avec Bokeh au lieu de Matplotlib, utilisez

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

Trivia

Cela a commencé comme cet gist. Depuis qu'il est devenu populaire, j'ai décidé de le réécrire comme un package.

Oh, et je suis en général intéressé par les données, voir des diagrammes simples de réseaux de neurones alambiqués (et un aperçu des diagrammes d'architecture d'apprentissage en profondeur):