livelossplot

Livelossplot

อย่าฝึกฝนแบบจำลองการเรียนรู้ที่ลึกล้ำ! ใจร้อนและดูแต่ละยุคของการฝึกอบรมของคุณ!

(การเปลี่ยนแปลงล่าสุดตัวอย่างใน colab, การค้นหา API, รหัส)

พล็อตการสูญเสียการฝึกอบรมสดในสมุดบันทึก Jupyter สำหรับ Keras, Pytorch และเฟรมเวิร์กอื่น ๆ แพ็คเกจ Python โอเพนซอร์ซโดย Piotr Migdał, Bartłomiej Olechno และอื่น ๆ เปิดสำหรับการทำงานร่วมกัน! (งานบางอย่างง่ายพอ ๆ กับการเขียนเอกสารรหัสดังนั้น - ไม่มีข้อแก้ตัว! :))

 from livelossplot import PlotLossesKeras

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

• (FA มากที่สุด) Q: ทำไมไม่ใช้ Tensorboard?
• ตอบ: ความเข้ากันได้ของสมุดบันทึก Jupyter (สำหรับการสำรวจและการสอน) ความเรียบง่ายของการใช้งาน

การติดตั้ง

ในการติดตั้งเวอร์ชันนี้จาก PYPI พิมพ์:

pip install livelossplot

เพื่อให้ได้ใหม่ล่าสุดจาก repo นี้ (โปรดทราบว่าเราอยู่ในช่วงอัลฟ่าดังนั้นอาจมีการอัปเดตบ่อยครั้ง) พิมพ์:

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

ตัวอย่าง

ดูไฟล์โน๊ตบุ๊คพร้อมตัวอย่างที่ใช้งานเต็มรูปแบบ:

• keras.ipynb - การโทรกลับ keras
• minimal.ipynb - API เปลือยที่จะใช้ทุกที่
• bokeh.ipynb - API เปลือย, แปลงด้วย bokeh (เปิดใน colab เพื่อดูพล็อต)
• pytorch.ipynb - API เปลือยซึ่งใช้กับ pytorch
• 2D_PREDICTION_MAPS.IPYNB - ตัวอย่างของพล็อตที่กำหนดเอง - แผนที่การทำนาย 2D (0.4.1+)
• poutyne.ipynb - การโทรกลับ poutyne (Poutyne เป็นกรอบคล้าย keras สำหรับ pytorch)
• Torchbearer.ipynb - ตัวอย่างที่ใช้ฟังก์ชั่นในตัวจาก Torchbearer (Torchbearer เป็นห้องสมุดที่เหมาะสมสำหรับ Pytorch)
• NEPTUNE.PY และ NEPTUNE.IPYNB - A NEPTUNE.AI
• matplotlib.ipynb - ตัวอย่างเอาต์พุต matplotlib
• ต่าง ๆ _options.ipynb - API เพิ่มเติมสำหรับการจัดกลุ่มตัวชี้วัดและผลลัพธ์ที่กำหนดเอง

คุณเรียกใช้ตัวอย่างใน colab

ภาพรวม

บันทึกข้อความเป็นเรื่องง่าย แต่มันง่ายที่จะพลาดข้อมูลที่สำคัญที่สุด: มันเรียนรู้ไม่ทำอะไรเลยหรือมากเกินไป? ข้อเสนอแนะด้วยภาพช่วยให้เราสามารถติดตามกระบวนการฝึกอบรมได้ ตอนนี้มีหนึ่งสำหรับ Jupyter

หากคุณต้องการจริงจัง - ใช้ Tensorboard,. แต่ถ้าคุณแค่ต้องการฝึกอบรมนางแบบขนาดเล็กในสมุดบันทึก Jupyter ล่ะ? นี่คือวิธีที่จะทำเช่นนั้นโดยใช้ livelossplot เป็นส่วนประกอบพลักแอนด์เพลย์

จากการนำเข้า Livelossplot ...

PlotLosses สำหรับ API ทั่วไป

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

มีการโทรกลับสำหรับไลบรารีและเฟรมเวิร์กทั่วไป: PlotLossesKeras , PlotLossesKerasTF , PlotLossesPoutyne , PlotLossesIgnite

รู้สึกว่าได้รับเชิญให้เขียนและมีส่วนร่วมอะแดปเตอร์ของคุณ หากคุณต้องการใช้เครื่องบันทึกเปลือยมี MainLogger

จาก livelossplot.outputs นำเข้า ...

พล็อต: MatplotlibPlot , BokehPlot

Loggers: ExtremaPrinter (ไปยังเอาต์พุตมาตรฐาน), TensorboardLogger , TensorboardTFLogger , NeptuneLogger

หากต้องการใช้งานให้เริ่มต้น plotlosses ด้วยเอาต์พุตบางอย่าง:

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

มีพล็อต matplotlib ที่กำหนดเองใน livelossplot.outputs.matplotlib_subplots คุณสามารถส่งผ่านในอาร์กิวเมนต์ MatplotlibPlot

หากคุณต้องการพล็อตด้วย bokeh แทน matplotlib ให้ใช้

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

ผู้สนับสนุน

โครงการนี้สนับสนุนโดย Jacek Migdał, Marek Cichy, Casper da Costa-Luis และ Piotr Zientara เข้าร่วมผู้สนับสนุน - แสดง❤และการสนับสนุนของคุณและปรากฏในรายการ! มันจะทำให้ฉันมีเวลาและพลังงานในการทำงานในโครงการนี้

โครงการนี้ยังได้รับการสนับสนุนโดย โปรแกรมโปรแกรมยุโรป OperacyJny Inteligentny Rozwój สำหรับ Gearshift - การสร้างกลไกของพฤติกรรมของยานยนต์ล้อและรุ่นของแผนที่ตามอัลกอริธึมปัญญาประดิษฐ์ที่นำไปใช้กับเกม ECC Games (NCBR Grant GameInn)

เรื่องไม่สำคัญ

มันเริ่มต้นจากส่วนสำคัญนี้ เนื่องจากมันเป็นที่นิยมฉันจึงตัดสินใจเขียนใหม่เป็นแพ็คเกจ

โอ้และฉันสนใจโดยทั่วไปในข้อมูลดูไดอะแกรมง่ายๆของเครือข่ายประสาทที่ซับซ้อน (และภาพรวมของไดอะแกรมสถาปัตยกรรมการเรียนรู้ลึก):

แผนภาพที่ดีมีค่าหนึ่งพันสมการ - เรามาสร้างสิ่งเหล่านี้มากขึ้น!

... หรือโครงการข้อมูลอื่น ๆ ของฉัน

สิ่งที่ต้องทำ

หากคุณต้องการฟังก์ชั่นมากขึ้น - เปิดปัญหาหรือดีกว่า - เตรียมคำขอดึง