livelossplot

Livelossplot

Jangan melatih model pembelajaran mendalam dengan mata tertutup! Bersikaplah tidak sabar dan lihat setiap zaman pelatihan Anda!

(Perubahan terbaru, contoh dalam Colab, API Lookup, Code)

Plot kehilangan pelatihan langsung di Jupyter Notebook untuk Keras, Pytorch dan kerangka kerja lainnya. Paket Python open-source oleh Piotr Migdał, Bartłomiej Olechno dan lainnya. Buka untuk kolaborasi! (Beberapa tugas sesederhana menulis kode kode, jadi - tidak ada alasan! :))

 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) T: Mengapa tidak tensorboard?
• A: Kompatibilitas notebook Jupyter (untuk eksplorasi dan pengajaran). Kesederhanaan penggunaan.

Instalasi

Untuk menginstal versi ini dari PYPI, ketik:

pip install livelossplot

Untuk mendapatkan yang terbaru dari repo ini (perhatikan bahwa kami berada di tahap alpha, jadi mungkin ada pembaruan yang sering), ketik:

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

Contoh

Lihatlah file notebook dengan contoh kerja lengkap:

• keras.ipynb - panggilan balik keras
• minimal.ipynb - A API telanjang, untuk digunakan di mana saja
• bokeh.ipynb - A API telanjang, plot dengan bokeh (buka di colab untuk melihat plot)
• Pytorch.ipynb - A Bare API, sebagaimana diterapkan pada Pytorch
• 2d_prediction_maps.ipynb - Contoh plot khusus - peta prediksi 2D (0.4.1+)
• poutyne.ipynb - panggilan balik poutyne (poutyne adalah kerangka kerja seperti keras untuk pytorch)
• Torchbearer.ipynb - Contoh menggunakan fungsionalitas bawaan dari Torchbearer (Torchbearer adalah perpustakaan model pemasangan untuk Pytorch)
• neptune.py dan neptune.ipynb - a neptune.ai
• matplotlib.ipynb - contoh output matplotlib
• variasi_options.ipynb - API yang diperluas untuk pengelompokan metrik dan output khusus

Anda menjalankan contoh di Colab.

Ringkasan

Log teks mudah, tetapi mudah untuk melewatkan informasi yang paling penting: apakah itu belajar, tidak melakukan apa pun atau overfitting? Umpan balik visual memungkinkan kita untuk melacak proses pelatihan. Sekarang ada satu untuk Jupyter.

Jika Anda ingin serius - gunakan Tensorboard ,. Tetapi bagaimana jika Anda hanya ingin melatih model kecil di Jupyter Notebook? Berikut adalah cara untuk melakukannya, menggunakan livelossplot sebagai komponen plug & play

dari Livelossplot Impor ...

PlotLosses untuk API generik.

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

Ada panggilan balik untuk perpustakaan dan kerangka kerja umum: PlotLossesKeras , PlotLossesKerasTF , PlotLossesPoutyne , PlotLossesIgnite .

Merasa diundang untuk menulis, dan berkontribusi, adaptor Anda. Jika Anda ingin menggunakan logger telanjang, ada MainLogger .

dari Livelossplot.Outputs Impor ...

Plot: MatplotlibPlot , BokehPlot .

Loggers: ExtremaPrinter (ke output standar), TensorboardLogger , TensorboardTFLogger , NeptuneLogger .

Untuk menggunakannya, inisialisasi plotloss dengan beberapa output:

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

Ada plot matplotlib khusus di livelossplot.outputs.matplotlib_subplots yang dapat Anda lewati dalam argumen MatplotlibPlot .

Jika Anda suka merencanakan dengan bokeh daripada matplotlib, gunakan

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

Sponsor

Proyek ini didukung oleh Jacek Migdał, Marek Cichy, Casper da Costa-Luis, dan Piotr Zientara. Bergabunglah dengan sponsor - tunjukkan ❤️ dan dukungan Anda, dan muncul di daftar! Ini akan memberi saya waktu dan energi untuk mengerjakan proyek ini.

Proyek ini juga didukung oleh program program Eropa Operacyjny Inteligentny Rozwój untuk Gearshift - Membangun mesin perilaku kendaraan bermotor beroda dan generasi peta berdasarkan algoritma intelijen buatan yang diimplementasikan pada platform mesin Unreal yang dipimpin oleh ECC Games (NCBR Grant Gameinn).

Trivia

Itu dimulai sebagai intisari ini. Karena populer, saya memutuskan untuk menulis ulang sebagai paket.

Oh, dan saya secara umum tertarik pada data vis, lihat diagram sederhana dari jaringan saraf yang berbelit -belit (dan ikhtisar diagram arsitektur pembelajaran yang mendalam):

Diagram yang baik bernilai seribu persamaan - mari kita buat lebih dari ini!

... atau proyek vis data saya yang lain.

Todo

Jika Anda ingin lebih banyak fungsi - buka masalah atau bahkan lebih baik - siapkan permintaan tarik.