文章预览：

1.可视化train，test的loss acc
- 1.1 案例：交通指示牌识别案例-history数组
- 1.2 一张图两条曲线loss 写法总结
- - step1 定义数组
  - step2 添加数据
  - step3 画图
  - 效果
2.可视化测试结果
3 loss曲线生成及保存
4GAN -真实图片与生成图片
- （1）真实图片与生成图片对比
- （2）生成图片的gif

1.可视化train，test的loss acc

1.1 案例：交通指示牌识别案例-history数组

代码地址：E:\项目例程\猫狗分类\迁移学习\猫狗_resnet18_2 \猫狗分类_迁移学习可视化

导入库

 from collections import defaultdict

训练函数中构建一个默认value为list的字典

history = defaultdict(list)  # 构建一个默认value为list的字典

训练函数中保存train_loss,train_acc,test_loss,test_acc结果

history['train_acc'].append(train_accuracy)history['train_loss'].append(train_loss)history['val_acc'].append(val_accuracy)history['val_loss'].append(val_loss)

训练函数返回

return model, history

训练模型调用时

# 调用训练函数训练
model_conv, history = train_model(model_conv,criterion,optimizer_conv,exp_lr_scheduler,num_epochs=30
)

绘制函数两张图，每个图两个曲线，写法固定
注意：若运行不出图，则加plt.show()

# 绘制 loss, acc  写法固定：两张表
def plot_training_history(history):fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(18, 6))ax1.plot(history['train_loss'], label='train loss')ax1.plot(history['val_loss'], label='val loss')ax1.set_ylim([-0.05, 1.05])ax1.legend()ax1.set_ylabel('Loss')ax1.set_xlabel('Epoch')ax2.plot(history['train_acc'], label='train acc')ax2.plot(history['val_acc'], label='val acc')ax2.set_ylim([-0.05, 1.05])ax2.legend()ax2.set_ylabel('Accuracy')ax2.set_xlabel('Epoch')fig.suptitle('Training History')plt.show()plot_training_history(history)

结果曲线展示：

1.2 一张图两条曲线loss 写法总结

案例：gan-手写数字画G_loss，D_loss
代码位置：E:\项目例程\GNN\手写数字\3_可视化
步骤：

step1 定义数组

G_losses = []
D_losses = []

step2 添加数据

G_losses.append(sum_loss.item())
D_losses.append(d_loss.item())

step3 画图

x=[i for i in range(len(G_losses))]
figure = plt.figure(figsize=(20, 8), dpi=80)
plt.plot(x,G_losses,label='G_losses')
plt.plot(x,D_losses,label='D_losses')
plt.xlabel("iterations",fontsize=15)
plt.ylabel("loss",fontsize=15)
plt.legend()
plt.grid()
plt.show()

效果

2.可视化测试结果

代码地址：E:\项目例程\猫狗分类\迁移学习\猫狗_resnet18_2 \猫狗分类_迁移学习可视化

定义结果可视化函数
注意：plt.subplot(4,4,i+1) 应根据batch_size修改，本案例batch_size=16.故为4x4

# 测试结果可视化函数
def visualize_model(model):model.eval()with torch.no_grad():inputs, labels = next(iter(dataloaders['val']))inputs = inputs.to(device)labels = labels.to(device)outputs = model(inputs)preds = outputs.argmax(1)plt.figure(figsize=(9, 9))for i in range(inputs.size(0)):plt.subplot(4,4,i+1)  #根据batch_size修改plt.axis('off')plt.title(f'pred: {class_names[preds[i]]}|true: {class_names[labels[i]]}')im = no_normalize(inputs[i].cpu())plt.imshow(im)plt.savefig('train.jpg')plt.show()

调用函数

# 测试结果可视化
visualize_model(model_conv)

效果展示：

3 loss曲线生成及保存

代码参考：E:\项目例程\GNN\DCGAN\02DCGAN_oxford17
DCGAN生成鲜花

figure_save_path="./figures/"
plt.figure(1,figsize=(8, 4))plt.title("Generator and Discriminator Loss During Training")plt.plot(self.G_loss_list[::10], label="G")plt.plot(self.D_loss_list[::10], label="D")plt.xlabel("iterations")plt.ylabel("Loss")plt.axhline(y=0, label="0", c="g")  # asymptoteplt.legend()plt.savefig(self.figure_save_path + str(num_epochs) + 'epochs_' + 'loss.jpg', bbox_inches='tight')

4GAN -真实图片与生成图片

代码参考：E:\项目例程\GNN\DCGAN\02DCGAN_oxford17

（1）真实图片与生成图片对比

plt.figure(4,figsize=(8, 4))# Plot the real imagesplt.subplot(1, 2, 1)plt.axis("off")plt.title("Real Images")real = next(iter(self.dataloader))  # real[0]image,real[1]labelplt.imshow(utils.make_grid(real[0][:self.num_showimage] * 0.5 + 0.5, nrow=10).permute(1, 2, 0))# Load the Best Generative Model# self.G.load_state_dict(#     torch.load(self.model_save_path + 'disc_{}.pth'.format(epoch), map_location=torch.device(self.device)))self.G.eval()# Generate the Fake Imageswith torch.no_grad():fake = self.G(self.fixed_noise).cpu()# Plot the fake imagesplt.subplot(1, 2, 2)plt.axis("off")plt.title("Fake Images")fake = utils.make_grid(fake[:self.num_showimage] * 0.5 + 0.5, nrow=10)plt.imshow(fake.permute(1, 2, 0))# Save the comparation resultplt.savefig(self.figure_save_path + str(num_epochs) + 'epochs_' + 'result.jpg', bbox_inches='tight')plt.show()

（2）生成图片的gif

import matplotlib.pyplot as plt
import matplotlib.animation as animationfig = plt.figure(3,figsize=(5, 5))plt.axis("off")ims = [[plt.imshow(item.permute(1, 2, 0), animated=True)] for item in self.img_list]ani = animation.ArtistAnimation(fig, ims, interval=1000, repeat_delay=1000, blit=True)#HTML(ani.to_jshtml())# ani.to_html5_video()ani.save(self.figure_save_path + str(num_epochs) + 'epochs_' + 'generation.gif')

深度学习：可视化-结果loss acc可视化及测试数据显示相关推荐

损失能收敛到0么深度学习_人工智能-Tensorflow进行深度学习的一些损失函数的可视化...
TensorFlow目前是数值计算的最佳开源库,它使机器学习更快更容易.在这篇文章中,您将学习机器学习中使用的一些损失函数.损失函数在机器学习领域非常重要.它们用作测量模型预测输出Y_out与grou ...
【深度学习】模型训练过程可视化思路（可视化工具TensorBoard）
[深度学习]模型训练过程可视化思路(可视化工具TensorBoard) 文章目录 1 TensorBoard的工作原理 2 TensorFlow中生成log文件 3 启动TensorBoard,读取l ...
Keras深度学习实战（11）——可视化神经网络中间层输出
Keras深度学习实战(11)--可视化神经网络中间层输出 0. 前言 1. 可视化神经网络中间层输出 2. 利用 Keras 可视化神经网络中间层输出 2.1 数据加载 2.2 可视化第一个卷积层的 ...
【深度学习实战】---TensorBoard网络可视化
[深度学习实战]-TensorBoard网络可视化前记为了能够更加深层次的理解我们的网络结构,不必要是画一份简简单单的网络的草图(如[深度学习实战]迈出第一步------编写第一个神经网络),那么 ...
深度学习数据驱动_利用深度学习实现手绘数据可视化的生成
前一段时间,我开发了Sketchify, 该工具可以把任何以SVG为渲染技术的可视化转化为手绘风格.(参考手绘风格的数据可视化实现 Sketchify) 那么问题来了,很多的chart是以Canvas ...
【深度学习系列】——神经网络的可视化解释
这是深度学习系列的第三篇文章,欢迎关注原创公众号 [计算机视觉联盟],第一时间阅读我的原创!回复 [西瓜书手推笔记] 还可获取我的机器学习纯手推笔记! 深度学习系列 [深度学习系列]--深度学习简介 ...
深度学习网络和特征图可视化的工具介绍
1.深度学习网络结构画图工具: 网络结构画图工具https://cbovar.github.io/ConvNetDraw/ 输入:层信息输出:网络结构图网络结构图实例 2.caffe可视化工具输 ...
利用深度学习实现手绘数据可视化的生成
个人博客导航页(点击右侧链接即可打开个人博客):大牛带你入门技术栈前一段时间,我开发了Sketchify, 该工具可以把任何以SVG为渲染技术的可视化转化为手绘风格.(参考手绘风格的数据可视化实现 ...
实战技术：利用深度学习实现手绘数据可视化的生成
个人博客导航页(点击右侧链接即可打开个人博客):大牛带你入门技术栈前一段时间,我开发了Sketchify, 该工具可以把任何以SVG为渲染技术的可视化转化为手绘风格.(参考手绘风格的数据可视化实现 ...

深度学习：可视化-结果loss acc可视化及测试数据显示