livelossplot

Livelossplot

不要盲目训练深度学习模型！不耐烦，看看您的培训的每个时代！

（最近的更改，colab中的示例，API查找，代码）

jupyter笔记本上的现场训练损失图，用于Keras，Pytorch和其他框架。 PiotrMigdał，BartłomiejOlechno等的开源Python包装。开放合作！ （某些任务与编写代码DOCSTRINGS一样简单，因此 - 没有借口！:)）

 from livelossplot import PlotLossesKeras

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

• （FA最多）问：为什么不张紧板？
• 答：Jupyter笔记本电脑兼容性（用于探索和教学）。使用的简单性。

安装

要从PYPI安装此版本，请键入：

pip install livelossplot

要从此存储库中获取最新的（请注意，我们处于Alpha阶段，因此可能会有频繁的更新），键入：

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

例子

查看带有完整示例的笔记本文件：

• keras.ipynb- keras回调
• minimal.ipynb-裸露的API，在任何地方使用
• bokeh.ipynb-裸露的API，与散景图（在Colab中打开它以查看地块）
• pytorch.ipynb-裸露的API，应用于Pytorch
• 2D_PREDICTION_MAPS.IPYNB-自定义图的示例-2D预测图（0.4.1+）
• poutyne.ipynb- poutyne回调（poutyne是pytorch的类似凯拉斯的框架）
• Torchbearer.ipynb-使用Torchbearer的内置功能的示例（Torchbearer是Pytorch的模型拟合库）
• Neptune.py and Neptune.ipynb- neptune.ai
• matplotlib.ipynb- matplotlib输出示例
• nestion_options.ipynb-用于指标分组和自定义输出的扩展API

您在Colab中运行示例。

概述

文本日志很容易，但是很容易错过最关键的信息：它是学习，什么都不做还是过于拟合？视觉反馈使我们能够跟踪培训过程。现在有一个适合Jupyter。

如果您想认真 - 使用张板，。但是，如果您只想在Jupyter笔记本中训练一个小型模型怎么办？这是一种方法，使用livelossplot作为插头和播放组件

从Livelossplot导入...

绘制通用API的PlotLosses 。

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

有针对常见库和框架的回调： PlotLossesKeras ， PlotLossesKerasTF ， PlotLossesPoutyne ， PlotLossesIgnite 。

邀请您写作和贡献您的适配器。如果您想使用裸露的记录器，则有MainLogger 。

从livelossplot.Outputs导入...

图： MatplotlibPlot ， BokehPlot 。

登录器： ExtremaPrinter （标准输出）， TensorboardLogger ， TensorboardTFLogger ， NeptuneLogger 。

要使用它们，请用一些输出初始化plotlosses：

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

livelossplot.outputs.matplotlib_subplots中有自定义的matplotlib图，您可以在MatplotlibPlot参数中传递。

如果您想用散景而不是matplotlib绘制，请使用

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

赞助商

该项目由JacekMigdał，Marek Cichy，Casper da Costa-Luis和Piotr Zientara支持。加入赞助商 - 显示您的❤️并支持，并出现在列表中！它将给我时间和精力从事这个项目。

该项目还得到了欧洲计划Operacyjny InteligentnyRozwój的支持 - 用于换档 - 基于在ECC Games（NCBR Grant Gameinn）领导的虚幻发动机平台上实现的人工智能算法的人工智能算法，构建了车轮汽车的行为和MAP的一代。

琐事

它是从这个要旨开始的。由于它很受欢迎，因此我决定将其重写为包裹。

哦，我一般对数据VIS感兴趣，请参阅复杂的神经网络的简单图（以及深度学习体系结构图的概述）：

一个好的图值是一千个方程式 - 让我们创建更多这些！

...或我的其他数据VIS项目。

托多

如果您想要更多功能 - 打开问题，甚至更好 - 准备拉动请求。