如何使用python的plot绘制loss、acc曲线并存储成图片

更新时间：2024年03月14日 10:49:46 作者：githubcurry

在数据可视化中曲线图是一种常见的展示数据趋势的方式,Python作为一种强大的编程语言,提供了丰富的数据处理和可视化库,使得绘制曲线图变得非常简单,下面这篇文章主要给大家介绍了关于如何使用python的plot绘制loss、acc曲线并存储成图片的相关资料,需要的朋友可以参考下

前言

使用 python的plot 绘制网络训练过程中的的 loss 曲线以及准确率变化曲线，这里的主要思想就时先把想要的损失值以及准确率值保存下来，保存到 .txt 文件中，待网络训练结束，我们再拿这存储的数据绘制各种曲线。

其大致步骤为：数据读取与存储 - > loss曲线绘制 - > 准确率曲线绘制

一、数据读取与存储部分

我们首先要得到训练时的数据，以损失值为例，网络每迭代一次都会产生相应的 loss，那么我们就把每一次的损失值都存储下来，存储到列表，保存到 .txt 文件中。

1.3817585706710815, 
1.8422836065292358, 
1.1619832515716553, 
0.5217241644859314, 
0.5221078991889954, 
1.3544578552246094, 
1.3334463834762573, 
1.3866571187973022, 
0.7603049278259277

上图为部分损失值，根据迭代次数而异，要是迭代了1万次，这里就会有1万个损失值。
而准确率值是每一个 epoch 产生一个值，要是训练100个epoch，就有100个准确率值。

这里的损失值是怎么保存到文件中的呢？首先，找到网络训练代码，就是项目中的 main.py，或者 train.py ，在文件里先找到训练部分，里面经常会有这样一行代码：

for epoch in range(resume_epoch, num_epochs):   # 就是这一行
	####
	...
	loss = criterion(outputs, labels.long())              # 损失样例
	...
    epoch_acc = running_corrects.double() / trainval_sizes[phase]    # 准确率样例
    ...
    ###

从这一行开始就是训练部分了，往下会找到类似的这两句代码，就是损失值和准确率值了。

这时候将以下代码加入源代码就可以了：

train_loss = []
train_acc = []
for epoch in range(resume_epoch, num_epochs):          # 就是这一行
	###
	...
	loss = criterion(outputs, labels.long())           # 损失样例
	train_loss.append(loss.item())                     # 损失加入到列表中
	...
	epoch_acc = running_corrects.double() / trainval_sizes[phase]    # 准确率样例
	train_acc.append(epoch_acc.item())                 # 准确率加入到列表中
	... 
with open("./train_loss.txt", 'w') as train_los:
    train_los.write(str(train_loss))

with open("./train_acc.txt", 'w') as train_ac:
     train_ac.write(str(train_acc))

这样就算完成了损失值和准确率值的数据存储了！

二、绘制 loss 曲线

主要需要 numpy 库和 matplotlib 库。

pip install numpy malplotlib

首先，将 .txt 文件中的存储的数据读取进来，以下是读取函数：

import numpy as np

# 读取存储为txt文件的数据
def data_read(dir_path):
    with open(dir_path, "r") as f:
        raw_data = f.read()
        data = raw_data[1:-1].split(", ")   # [-1:1]是为了去除文件中的前后中括号"[]"

    return np.asfarray(data, float)

然后，就是绘制 loss 曲线部分：

if __name__ == "__main__":

	train_loss_path = r"/train_loss.txt"   # 存储文件路径
	
	y_train_loss = data_read(train_loss_path)        # loss值，即y轴
	x_train_loss = range(len(y_train_loss))			 # loss的数量，即x轴

	plt.figure()

    # 去除顶部和右边框框
    ax = plt.axes()
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)

    plt.xlabel('iters')    # x轴标签
    plt.ylabel('loss')     # y轴标签
	
	# 以x_train_loss为横坐标，y_train_loss为纵坐标，曲线宽度为1，实线，增加标签，训练损失，
	# 默认颜色，如果想更改颜色，可以增加参数color='red',这是红色。
    plt.plot(x_train_loss, y_train_loss, linewidth=1, linestyle="solid", label="train loss")
    plt.legend()
    plt.title('Loss curve')
    plt.show()
    pit.savefig("loss.png")

这样就算把损失图像画出来了！如下：

三、绘制准确率曲线

有了上面的基础，这就简单很多了。

只是有一点要记住，上面的x轴是迭代次数，这里的是训练轮次 epoch。

if __name__ == "__main__":

	train_acc_path = r"/train_acc.txt"   # 存储文件路径
	
	y_train_acc = data_read(train_acc_path)       # 训练准确率值，即y轴
	x_train_acc = range(len(y_train_acc))			 # 训练阶段准确率的数量，即x轴

	plt.figure()

    # 去除顶部和右边框框
    ax = plt.axes()
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)

    plt.xlabel('epochs')    # x轴标签
    plt.ylabel('accuracy')     # y轴标签
	
	# 以x_train_acc为横坐标，y_train_acc为纵坐标，曲线宽度为1，实线，增加标签，训练损失，
	# 增加参数color='red',这是红色。
    plt.plot(x_train_acc, y_train_acc, color='red',linewidth=1, linestyle="solid", label="train acc")
    plt.legend()
    plt.title('Accuracy curve')
    plt.show()
    pit.savefig("acc.png")

这样就把准确率变化曲线画出来了！如下：

以下是完整代码，以绘制准确率曲线为例，并且将x轴换成了iters，和损失曲线保持一致，供参考：

import numpy as np
import matplotlib.pyplot as plt

# 读取存储为txt文件的数据
def data_read(dir_path):
    with open(dir_path, "r") as f:
        raw_data = f.read()
        data = raw_data[1:-1].split(", ")

    return np.asfarray(data, float)


# 不同长度数据，统一为一个标准，倍乘x轴
def multiple_equal(x, y):
    x_len = len(x)
    y_len = len(y)
    times = x_len/y_len
    y_times = [i * times for i in y]
    return y_times


if __name__ == "__main__":

    train_loss_path = r"/train_loss.txt"
    train_acc_path = r"/train_acc.txt"

    y_train_loss = data_read(train_loss_path)
    y_train_acc = data_read(train_acc_path)

    x_train_loss = range(len(y_train_loss))
    x_train_acc = multiple_equal(x_train_loss, range(len(y_train_acc)))

    plt.figure()

    # 去除顶部和右边框框
    ax = plt.axes()
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)

    plt.xlabel('iters')
    plt.ylabel('accuracy')

    # plt.plot(x_train_loss, y_train_loss, linewidth=1, linestyle="solid", label="train loss")
    plt.plot(x_train_acc, y_train_acc,  color='red', linestyle="solid", label="train accuracy")
    plt.legend()

    plt.title('Accuracy curve')
    plt.show()
    pit.savefig("acc.png")

总结

到此这篇关于如何使用python的plot绘制loss、acc曲线并存储成图片的文章就介绍到这了,更多相关python plot绘制loss、acc曲线存储成图片内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

python读取与处理netcdf数据方式
今天小编就为大家分享一篇python读取与处理netcdf数据方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-02-02
解决List.append() 在 Python 中不起作用的问题
在 Python 中，我们通常使用 List.append() 方法向列表末尾添加元素，然而，在某些情况下，你可能会遇到 List.append() 方法不起作用的问题，本文将详细讨论这个问题并提供解决方法，需要的朋友可以参考下
2023-06-06
Springboo如何t动态修改配置文件属性
这篇文章主要介绍了Springboo如何t动态修改配置文件属性问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
2023-09-09
Python devel安装失败问题解决方案
这篇文章主要介绍了Python devel安装失败问题解决方案,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2020-06-06
python基于BeautifulSoup实现抓取网页指定内容的方法
这篇文章主要介绍了python基于BeautifulSoup实现抓取网页指定内容的方法,涉及Python使用BeautifulSoup模块解析html网页的相关技巧,具有一定参考借鉴价值,需要的朋友可以参考下
2015-07-07
Python中类变量和实例变量的区别
这篇文章主要介绍了Python中类变量和实例变量的区别，文章针对Python类变量和实例变量的问题，给出了具体说明和演示，需要的小伙伴可以参考一下
2022-02-02
Python Socket编程实现猜数字游戏交互体验
当利用Python的Socket编程创建一个猜数字游戏时,需要分别实现服务器端和客户端的逻辑,本文将详细描述这两个部分的功能和代码片段
2024-01-01
Python中asyncio模块的深入讲解
这篇文章主要给大家介绍了关于Python中asyncio模块的相关资料，文中通过示例代码介绍的非常详细，对大家学习或者使用Python具有一定的参考学习价值，需要的朋友们下面来一起学习学习吧
2019-06-06
通过PYTHON来实现图像分割详解
这篇文章主要介绍了通过PYTHON来实现图像分割详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，,需要的朋友可以参考下
2019-06-06
python实现模拟键盘鼠标重复性操作Pyautogui
这篇文章主要为大家详细介绍了python如何利用Pyautogui模拟键盘鼠标重复性操作,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下
2023-11-11