livelossplot

Livelossplot

Не тренируйте модели глубокого обучения с завязанными глазами! Будьте нетерпеливы и посмотрите на каждую эпоху вашего обучения!

(Недавние изменения, примеры в Colab, API поиск, код)

Живой заговор по утрате обучения в записной книжке Юпитера для керас, питорха и других рамок. Пакет Python с открытым исходным кодом Петра Мигдала, Бартломи Олечно и другие. Открыт для сотрудничества! (Некоторые задачи так же просты, как написание кода Docstrings, так что нет оправданий! :))

 from livelossplot import PlotLossesKeras

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

• (Большинство FA) Q: Почему не Tensorboard?
• A: Совместимость с ноутбуком Jupyter (для исследования и обучения). Простота использования.

Установка

Чтобы установить эту версию из PYPI, тип:

pip install livelossplot

Чтобы получить новейший из этого репо (обратите внимание, что мы находимся на стадии альфа, поэтому могут быть частые обновления), тип:

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

Примеры

Посмотрите на файлы ноутбуков с полными рабочими примерами:

• keras.ipynb - обратный вызов кераса
• Minimal.ipynb - голый API, чтобы использовать где угодно
• Bokeh.ipynb - голый API, заговоры с боке (открыть его в Колаба, чтобы увидеть сюжеты)
• pytorch.ipynb - голый API, применяемый к Pytorch
• 2D_PREDICTION_MAPS.IPYNB - Пример пользовательских графиков - 2D -карты прогнозирования (0,4,1+)
• Poutyne.ipynb - обратный вызов Poutyne (Poutyne - это керас, подобная Pytorch)
• Torchbearer.ipynb - пример с использованием встроенной функциональности от Torchbarer (Torchbarer - это библиотека модели для Pytorch)
• neptune.py и neptune.ipynb - neptune.ai
• matplotlib.ipynb - пример вывода matplotlib
• infly_options.ipynb - расширенный API для группировки метрик и пользовательских выходов

Вы запускаете примеры в Колаба.

Обзор

Текстовые журналы просты, но легко пропустить самую важную информацию: она учится, ничего не делает или переживает? Визуальная обратная связь позволяет нам отслеживать процесс обучения. Теперь есть один для Юпитера.

Если вы хотите стать серьезной - используйте Tensorboard ,. Но что, если вы просто хотите тренировать небольшую модель в ноутбуке Jupyter? Вот способ сделать это, используя livelossplot в качестве компонента Plug & Play

Из импорта LivelossPlot ...

PlotLosses для общего 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

Существуют обратные вызовы для общих библиотек и фреймворков: PlotLossesKeras , PlotLossesKerasTF , PlotLossesPoutyne , PlotLossesIgnite .

Почувствуйте себя приглашенным написать и внести свой вклад в свой адаптер. Если вы хотите использовать голый регистратор, есть MainLogger .

от livelossplot.outputs import ...

Графики: MatplotlibPlot , BokehPlot .

Лоргеров: ExtremaPrinter (к стандартному выходу), TensorboardLogger , TensorboardTFLogger , NeptuneLogger .

Чтобы использовать их, инициализируйте платы с некоторыми выходами:

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

Существуют пользовательские графики matplotlib в livelossplot.outputs.matplotlib_subplots Вы можете пройти в аргументах MatplotlibPlot .

Если вам нравится запланировать с боке вместо matplotlib, используйте

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

Спонсоры

Этот проект поддерживается Джейсеком Мигдалом, Мареком Циши, Каспером да Коста-Луисом и Пиотром Зиньентарой. Присоединяйтесь к спонсорам - покажите свою ❤ и поддержку, и появитесь в списке! Это даст мне время и энергию для работы над этим проектом.

Этот проект также поддерживается европейской программой программы OperacyJny Inteligentny Rozwój для GearFift - Построение двигателя поведения колесных автомобилей и поколения MAP на основе алгоритмов искусственного интеллекта, внедренных на платформе Unreal Engine Platform Platform (NCBR Grant Gameinn).

Мелочи

Это началось как эта суть. С тех пор, как он стал популярным, я решил переписать его как пакет.

О, и я в целом заинтересован в данных VIS, см. Простые диаграммы запутанных нейронных сетей (и обзор диаграмм архитектуры глубокого обучения):

Хорошая диаграмма стоит тысячи уравнений - давайте создадим больше из них!

... или другие мои проекты VIS.

Тодо

Если вы хотите больше функциональности - откройте проблему или даже лучше - приготовьте запрос на тягу.