如何使用python的plot繪制loss、acc曲線并存儲成圖片

更新時間：2024年03月14日 10:49:46 作者：githubcurry

在數(shù)據(jù)可視化中曲線圖是一種常見的展示數(shù)據(jù)趨勢的方式,Python作為一種強大的編程語言,提供了豐富的數(shù)據(jù)處理和可視化庫,使得繪制曲線圖變得非常簡單,下面這篇文章主要給大家介紹了關(guān)于如何使用python的plot繪制loss、acc曲線并存儲成圖片的相關(guān)資料,需要的朋友可以參考下

前言

使用 python的plot 繪制網(wǎng)絡(luò)訓(xùn)練過程中的的 loss 曲線以及準(zhǔn)確率變化曲線，這里的主要思想就時先把想要的損失值以及準(zhǔn)確率值保存下來，保存到 .txt 文件中，待網(wǎng)絡(luò)訓(xùn)練結(jié)束，我們再拿這存儲的數(shù)據(jù)繪制各種曲線。

其大致步驟為：數(shù)據(jù)讀取與存儲 - > loss曲線繪制 - > 準(zhǔn)確率曲線繪制

一、數(shù)據(jù)讀取與存儲部分

我們首先要得到訓(xùn)練時的數(shù)據(jù)，以損失值為例，網(wǎng)絡(luò)每迭代一次都會產(chǎn)生相應(yīng)的 loss，那么我們就把每一次的損失值都存儲下來，存儲到列表，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

上圖為部分損失值，根據(jù)迭代次數(shù)而異，要是迭代了1萬次，這里就會有1萬個損失值。
而準(zhǔn)確率值是每一個 epoch 產(chǎn)生一個值，要是訓(xùn)練100個epoch，就有100個準(zhǔn)確率值。

這里的損失值是怎么保存到文件中的呢？首先，找到網(wǎng)絡(luò)訓(xùn)練代碼，就是項目中的 main.py，或者 train.py ，在文件里先找到訓(xùn)練部分，里面經(jīng)常會有這樣一行代碼：

for epoch in range(resume_epoch, num_epochs):   # 就是這一行
	####
	...
	loss = criterion(outputs, labels.long())              # 損失樣例
	...
    epoch_acc = running_corrects.double() / trainval_sizes[phase]    # 準(zhǔn)確率樣例
    ...
    ###

從這一行開始就是訓(xùn)練部分了，往下會找到類似的這兩句代碼，就是損失值和準(zhǔn)確率值了。

這時候?qū)⒁韵麓a加入源代碼就可以了：

train_loss = []
train_acc = []
for epoch in range(resume_epoch, num_epochs):          # 就是這一行
	###
	...
	loss = criterion(outputs, labels.long())           # 損失樣例
	train_loss.append(loss.item())                     # 損失加入到列表中
	...
	epoch_acc = running_corrects.double() / trainval_sizes[phase]    # 準(zhǔn)確率樣例
	train_acc.append(epoch_acc.item())                 # 準(zhǔn)確率加入到列表中
	... 
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))

這樣就算完成了損失值和準(zhǔn)確率值的數(shù)據(jù)存儲了！

二、繪制 loss 曲線

主要需要 numpy 庫和 matplotlib 庫。

pip install numpy malplotlib

首先，將 .txt 文件中的存儲的數(shù)據(jù)讀取進(jìn)來，以下是讀取函數(shù)：

import numpy as np

# 讀取存儲為txt文件的數(shù)據(jù)
def data_read(dir_path):
    with open(dir_path, "r") as f:
        raw_data = f.read()
        data = raw_data[1:-1].split(", ")   # [-1:1]是為了去除文件中的前后中括號"[]"

    return np.asfarray(data, float)

然后，就是繪制 loss 曲線部分：

if __name__ == "__main__":

	train_loss_path = r"/train_loss.txt"   # 存儲文件路徑
	
	y_train_loss = data_read(train_loss_path)        # loss值，即y軸
	x_train_loss = range(len(y_train_loss))			 # loss的數(shù)量，即x軸

	plt.figure()

    # 去除頂部和右邊框框
    ax = plt.axes()
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)

    plt.xlabel('iters')    # x軸標(biāo)簽
    plt.ylabel('loss')     # y軸標(biāo)簽
	
	# 以x_train_loss為橫坐標(biāo)，y_train_loss為縱坐標(biāo)，曲線寬度為1，實線，增加標(biāo)簽，訓(xùn)練損失，
	# 默認(rèn)顏色，如果想更改顏色，可以增加參數(shù)color='red',這是紅色。
    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")

這樣就算把損失圖像畫出來了！如下：

三、繪制準(zhǔn)確率曲線

有了上面的基礎(chǔ)，這就簡單很多了。

只是有一點要記住，上面的x軸是迭代次數(shù)，這里的是訓(xùn)練輪次 epoch。

if __name__ == "__main__":

	train_acc_path = r"/train_acc.txt"   # 存儲文件路徑
	
	y_train_acc = data_read(train_acc_path)       # 訓(xùn)練準(zhǔn)確率值，即y軸
	x_train_acc = range(len(y_train_acc))			 # 訓(xùn)練階段準(zhǔn)確率的數(shù)量，即x軸

	plt.figure()

    # 去除頂部和右邊框框
    ax = plt.axes()
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)

    plt.xlabel('epochs')    # x軸標(biāo)簽
    plt.ylabel('accuracy')     # y軸標(biāo)簽
	
	# 以x_train_acc為橫坐標(biāo)，y_train_acc為縱坐標(biāo)，曲線寬度為1，實線，增加標(biāo)簽，訓(xùn)練損失，
	# 增加參數(shù)color='red',這是紅色。
    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")

這樣就把準(zhǔn)確率變化曲線畫出來了！如下：

以下是完整代碼，以繪制準(zhǔn)確率曲線為例，并且將x軸換成了iters，和損失曲線保持一致，供參考：

import numpy as np
import matplotlib.pyplot as plt

# 讀取存儲為txt文件的數(shù)據(jù)
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)


# 不同長度數(shù)據(jù)，統(tǒng)一為一個標(biāo)準(zhǔn)，倍乘x軸
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()

    # 去除頂部和右邊框框
    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")