hans

hans

【Python】【Caffe】二、训练输出可视化《python调用caffe模块》


GitHub 代码地址: https://github.com/HansRen1024/Use-Python-to-call-Caffe-module

前言#

细心的同学会发现上一篇文章中最后完整代码已经有训练代码了,四句话就能搞定。当然如果你要单机多卡训练的话,建议你使用 caffe/python/ 目录下的 train.py。

关于训练结果可视化,我在之前文章中写到过。通过记录终端输出,然后 matlab 实现。地址:
【Caffe】快速上手训练自己的数据 《很认真的讲讲 Caffe》

看第六部分可视化内容

今天这里我写一下如何通过 python 调用 caffe 模块,在训练期间,提取输出结果放到列表中,最后训练结束将列表内容可视化。

完整代码:#

#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Sun Jul 30 21:56:32 2017

author: hans

"""

import matplotlib.pyplot as plt
import caffe
import numpy as np

caffe.set_device(0)
caffe.set_mode_gpu()
solver = caffe.SGDSolver('doc/solver_lenet.prototxt')

# 下面参数参照solver
max_iter = 10000
display= 100
test_iter = 100
test_interval =500

#初始化
train_loss = np.zeros(max_iter/ display)
test_loss = np.zeros(max_iter/ test_interval)
test_acc = np.zeros(max_iter / test_interval)

_train_loss = 0
_test_loss = 0
_accuracy = 0
for it in range(max_iter):
    solver.step(1) # 这里是运行一次迭代
    _train_loss += solver.net.blobs['loss'].data # 'loss' or 'Softmax1'
    if it % display == 0:
        # 计算平均train loss
        train_loss[it / display] = _train_loss / display
        _train_loss = 0

    if it % test_interval == 0:
        for test_it in range(test_iter):
            solver.test_nets[0].forward()
            _test_loss += solver.test_nets[0].blobs['loss'].data # 'loss' or 'Softmax1'
            _accuracy += solver.test_nets[0].blobs['acc'].data # 'acc' or 'Accuracy1'
        # 计算平均test loss
        test_loss[it / test_interval] = _test_loss / test_iter
        # 计算平均test accuracy
        test_acc[it / test_interval] = _accuracy / test_iter
        _test_loss = 0
        _accuracy = 0

_, ax1 = plt.subplots()
ax2 = ax1.twinx()

ax1.plot(display * np.arange(len(train_loss)), train_loss, 'g')
ax1.plot(test_interval * np.arange(len(test_loss)), test_loss, 'y')
ax2.plot(test_interval * np.arange(len(test_acc)), test_acc, 'r')

ax1.set_xlabel('iteration')
ax1.set_ylabel('loss')
ax2.set_ylabel('accuracy')
plt.show()

以上内容参考自: http://www.cnblogs.com/denny402/p/5686067.html

加载中...
此文章数据所有权由区块链加密技术和智能合约保障仅归创作者所有。