livelossplot

LIVELOSSPLOT

Não treine modelos de aprendizado profundo de olhos vendados! Seja impaciente e observe cada época do seu treinamento!

(Mudanças recentes, exemplos em colab, pesquisa da API, código)

Uma trama de perda de treinamento ao vivo no Jupyter Notebook para Keras, Pytorch e outras estruturas. Um pacote Python de código aberto de Piotr Migdał, Bartłomiej Olechno e outros. Aberto para colaboração! (Algumas tarefas são tão simples quanto escrever doces de código, então - sem desculpas! :))

 from livelossplot import PlotLossesKeras

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

• (O mais fa) P: Por que não o Tensorboard?
• A: Jupyter Notebook Compatibilidade (para exploração e ensino). A simplicidade do uso.

Instalação

Para instalar esta versão do Pypi, digite:

pip install livelossplot

Para obter o mais novo deste repositório (observe que estamos no estágio alfa, para que haja atualizações frequentes), digite:

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

Exemplos

Veja os arquivos de notebook com exemplos de trabalho completos:

• keras.ipynb - um retorno de chamada de Keras
• minimal.ipynb - uma API nua, para usar em qualquer lugar
• bokeh.ipynb - uma API nua, parcelas com bokeh (abra -o em colab para ver as parcelas)
• pytorch.ipynb - uma API nua, aplicada a Pytorch
• 2D_Prediction_Maps.ipynb - Exemplo de gráficos personalizados - mapas de previsão 2D (0,4.1+)
• Poutyne.ipynb - Um retorno de chamada de Poutyne (Poutyne é uma estrutura do tipo Keras para Pytorch)
• Torchbearer.ipynb - Um exemplo usando a funcionalidade interna de Torchbear (Torchbear é uma biblioteca de ajuste de modelo para Pytorch)
• neptune.py e neptune.ipynb - um neptone.ai
• matplotlib.ipynb - um exemplo de saída de matplotlib
• Vários_options.ipynb - Uma API estendida para agrupamento de métricas e saídas personalizadas

Você executa exemplos no Colab.

Visão geral

Os registros de texto são fáceis, mas é fácil perder as informações mais cruciais: está aprendendo, não fazendo nada ou exagerado? O feedback visual nos permite acompanhar o processo de treinamento. Agora há um para Jupyter.

Se você quiser ficar sério - use o Tensorboard ,. Mas e se você quiser apenas treinar um modelo pequeno no Jupyter Notebook? Aqui está uma maneira de fazer isso, usando livelossplot como um componente Plug & Play

da importação de livelsplot ...

PlotLosses para uma 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

Existem retornos de chamada para bibliotecas e estruturas comuns: PlotLossesKeras , PlotLossesKerasTF , PlotLossesPoutyne , PlotLossesIgnite .

Sinta -se convidado a escrever e contribuir com seu adaptador. Se você deseja usar um madeireiro nu, há MainLogger .

de LIVELOSSPLOT.OUTPUTS IMPORT ...

Gráficos: MatplotlibPlot , BokehPlot .

Loggers: ExtremaPrinter (para saída padrão), TensorboardLogger , TensorboardTFLogger , NeptuneLogger .

Para usá -los, inicialize plotlosses com algumas saídas:

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

Existem plotagens personalizadas matplotlib em livelossplot.outputs.matplotlib_subplots que você pode passar nos argumentos MatplotlibPlot .

Se você gosta de plotar com bokeh em vez de matplotlib, use

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

Patrocinadores

Este projeto apoiado por Jacek Migdał, Marek Cichy, Casper da Costa-Luis e Piotr Zientara. Junte -se aos patrocinadores - mostre seu ❤️ e suporte e apareça na lista! Isso me dará tempo e energia para trabalhar neste projeto.

Este projeto também é suportado por um programa europeu Operacyjny Inteligentny Rozwój para a troca de marchas - construindo o motor do comportamento de veículos a motor com rodas e a geração do mapa com base em algoritmos de inteligência artificial implementados na plataforma de motores Unreal liderada pela ECC Games (NCBR Grant Gameinn).

Curiosidades

Tudo começou como essa essência. Como foi popular, decidi reescrevê -lo como um pacote.

Ah, e estou, em geral, interessado em dados vis, veja diagramas simples de redes neurais complicadas (e visão geral dos diagramas de arquitetura de aprendizado profundo):

Um bom diagrama vale mil equações - vamos criar mais delas!

... ou meus outros projetos de dados.

Pendência

Se você deseja mais funcionalidade - abra um problema ou até melhor - prepare uma solicitação de tração.