livelossplot

Livelossplot

不要盲目訓練深度學習模型！不耐煩，看看您的培訓的每個時代！

（最近的更改，colab中的示例，API查找，代碼）

jupyter筆記本上的現場訓練損失圖，用於Keras，Pytorch和其他框架。 PiotrMigdał，BartłomiejOlechno等的開源Python包裝。開放合作！ （某些任務與編寫代碼DOCSTRINGS一樣簡單，因此 - 沒有藉口！:)）

 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）問：為什麼不張緊板？
• 答：Jupyter筆記本電腦兼容性（用於探索和教學）。使用的簡單性。

安裝

要從PYPI安裝此版本，請鍵入：

pip install livelossplot

要從此存儲庫中獲取最新的（請注意，我們處於Alpha階段，因此可能會有頻繁的更新），鍵入：

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

例子

查看帶有完整示例的筆記本文件：

• keras.ipynb- keras回調
• minimal.ipynb-裸露的API，在任何地方使用
• bokeh.ipynb-裸露的API，與散景圖（在Colab中打開它以查看地塊）
• pytorch.ipynb-裸露的API，應用於Pytorch
• 2D_PREDICTION_MAPS.IPYNB-自定義圖的示例-2D預測圖（0.4.1+）
• poutyne.ipynb- poutyne回調（poutyne是pytorch的類似凱拉斯的框架）
• Torchbearer.ipynb-使用Torchbearer的內置功能的示例（Torchbearer是Pytorch的模型擬合庫）
• Neptune.py and Neptune.ipynb- neptune.ai
• matplotlib.ipynb- matplotlib輸出示例
• nestion_options.ipynb-用於指標分組和自定義輸出的擴展API

您在Colab中運行示例。

概述

文本日誌很容易，但是很容易錯過最關鍵的信息：它是學習，什麼都不做還是過於擬合？視覺反饋使我們能夠跟踪培訓過程。現在有一個適合Jupyter。

如果您想認真 - 使用張板，。但是，如果您只想在Jupyter筆記本中訓練一個小型模型怎麼辦？這是一種方法，使用livelossplot作為插頭和播放組件

從Livelossplot導入...

繪製通用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

有針對常見庫和框架的回調： PlotLossesKeras ， PlotLossesKerasTF ， PlotLossesPoutyne ， PlotLossesIgnite 。

邀請您寫作和貢獻您的適配器。如果您想使用裸露的記錄器，則有MainLogger 。

從livelossplot.Outputs導入...

圖： MatplotlibPlot ， BokehPlot 。

登錄器： ExtremaPrinter （標準輸出）， TensorboardLogger ， TensorboardTFLogger ， NeptuneLogger 。

要使用它們，請用一些輸出初始化plotlosses：

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

livelossplot.outputs.matplotlib_subplots中有自定義的matplotlib圖，您可以在MatplotlibPlot參數中傳遞。

如果您想用散景而不是matplotlib繪製，請使用

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

贊助商

該項目由JacekMigdał，Marek Cichy，Casper da Costa-Luis和Piotr Zientara支持。加入贊助商 - 顯示您的❤️並支持，並出現在列表中！它將給我時間和精力從事這個項目。

該項目還得到了歐洲計劃Operacyjny InteligentnyRozwój的支持 - 用於換檔 - 基於在ECC Games（NCBR Grant Gameinn）領導的虛幻發動機平台上實現的人工智能算法的人工智能算法，構建了車輪汽車的行為和MAP的一代。

瑣事

它是從這個要旨開始的。由於它很受歡迎，因此我決定將其重寫為包裹。

哦，我一般對數據VIS感興趣，請參閱複雜的神經網絡的簡單圖（以及深度學習體系結構圖的概述）：

一個好的圖值是一千個方程式 - 讓我們創建更多這些！

...或我的其他數據VIS項目。

托多

如果您想要更多功能 - 打開問題，甚至更好 - 準備拉動請求。