您当前的位置:首页 > 电脑百科 > 人工智能

人工智能编程:如何可视化神经网络算法模型的训练过程?

时间:2020-03-31 15:50:52  来源:  作者:

 

 

 

 

 

人工智能编程:如何可视化神经网络算法模型的训练过程?

 

 

人工智能编程:如何可视化神经网络算法模型的训练过程?

 

 

本文将介绍一个和pytorch紧密结合的机器学习库,visdom

Visdom的安装

Pip install visdom

如果安装失败

pip install --upgrade visdom

安装好之后,我们需要实时开启

Python -m visdom.server

然后会出现

人工智能编程:如何可视化神经网络算法模型的训练过程?

 

在浏览输入这个网址就可以开启visdom了

当我们使用visdom画图的时候,我们需要

from visdom import Visdom

viz=Visdom()

然后就可以使用viz来进行画图了

画线的话可以使用viz.line

画图片的话可以使用viz.image

画文字的话可以使用viz.text

画线的时候,要先画一个起始点,然后后面的对它进行覆盖操作

from visdom import Visdom
import numpy as np
import torch
x=np.arange(0,10)
y=np.arange(0,10)*9
print(x)
viz=Visdom()
viz.line([0.],[0.],win="first",opts=dict(title='first'))
viz.line(y,x,win="first",update='Append')

画线的时候,可以先画一个其实的图,然后后面的对它进行添加操作,当然也可以直接来画图

viz.line([0.],[0.],win="first",opts=dict(title='first'))

表示画起始点

viz.line(y,x,win="first",update='append')

表示添加操作

其中win=""first"表示画在first的区域,主题名为first

然后

viz.line(y,x,win="first",update='append')

win="first"表示对first区域添加画图,append表示添加

 

import torch

import torch.nn as nn

import torch.nn.functional as F

import torch.optim as optim

from torchvision import datasets, transforms

from visdom import Visdom

batch_size=200

learning_rate=0.01

epochs=10

train_loader = torch.utils.data.DataLoader(

datasets.MNIST('./data', train=True, download=True,

transform=transforms.Compose([

transforms.ToTensor(),

])),

batch_size=batch_size, shuffle=True)

test_loader = torch.utils.data.DataLoader(

datasets.MNIST('./data', train=False, transform=transforms.Compose([

transforms.ToTensor(),

])),

batch_size=batch_size, shuffle=True)

class MLP(nn.Module):

def __init__(self):

super(MLP, self).__init__()

self.model = nn.Sequential(

nn.Linear(784, 200),

nn.LeakyReLU(inplace=True),

nn.Linear(200, 200),

nn.LeakyReLU(inplace=True),

nn.Linear(200, 10),

nn.LeakyReLU(inplace=True),

)

def forward(self, x):

x = self.model(x)

return x

device = torch.device('cpu')

net = MLP().to(device)

optimizer = optim.SGD.NET.parameters(), lr=learning_rate)

criteon = nn.CrossEntropyLoss()

viz = Visdom()

viz.line([0.], [0.], win='train_loss', opts=dict(title='train loss'))

viz.line([[0.0, 0.0]], [0.], win='test', opts=dict(title='test loss&acc.',

legend=['loss', 'acc.']))

global_step = 0

for epoch in range(epochs):

for batch_idx, (data, target) in enumerate(train_loader):

data = data.view(-1, 28*28)

data, target = data.to(device), target.to(device)

logits = net(data)
#print(target)

loss = criteon(logits, target)

optimizer.zero_grad()

loss.backward()

# print(w1.grad.norm(), w2.grad.norm())

optimizer.step()

global_step += 1

viz.line([loss.item()], [global_step], win='train_loss', update='append')

if batch_idx % 100 == 0:

print('Train Epoch: {} [{}/{} ({:.0f}%)]tLoss: {:.6f}'.format(

epoch, batch_idx * len(data), len(train_loader.dataset),

100. * batch_idx / len(train_loader), loss.item()))

test_loss = 0

correct = 0

for data, target in test_loader:

data = data.view(-1, 28 * 28)

data, target = data.to(device), target.to(device)

logits = net(data)

test_loss += criteon(logits, target).item()

pred = logits.argmax(dim=1)

correct += pred.eq(target).float().sum().item()

viz.line([[test_loss, correct / len(test_loader.dataset)]],

[global_step], win='test', update='append')

viz.images(data.view(-1, 1, 28, 28), win='x')

viz.text(str(pred.detach().cpu().numpy()), win='pred',

opts=dict(title='pred'))

test_loss /= len(test_loader.dataset)

print('nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)n'.format(

test_loss, correct, len(test_loader.dataset),

100. * correct / len(test_loader.dataset)))


Tags:智能编程   点击:()  评论:()
声明:本站部分内容及图片来自互联网,转载是出于传递更多信息之目的,内容观点仅代表作者本人,如有任何标注错误或版权侵犯请与我们联系(Email:2595517585@qq.com),我们将及时更正、删除,谢谢。
▌相关推荐
据MSN6月24日报道,23日,亚马逊在拉斯维加斯的re:Mars会议上宣布了一款名为CodeWhisperer的自动编程辅助工具的预览版。CodeWhisperer是亚马逊对GitHub Copilot的回应,GitHub是...【详细内容】
2022-06-24  Tags: 智能编程  点击:(34)  评论:(0)  加入收藏
本文将介绍一个和pytorch紧密结合的机器学习库,visdomVisdom的安装Pip install visdom如果安装失败pip install --upgrade visdom安装好之后,我们需要实时开启Python...【详细内容】
2020-03-31  Tags: 智能编程  点击:(111)  评论:(0)  加入收藏
▌简易百科推荐
你有没有想过这样一个问题?未来五年,我们的生活会发生什么样的变化? 一、虚拟技术的改变随着AR和VR技术的发展,虚拟现实技术的越开越成熟。让计算机除了拥有视觉感知外。还有听...【详细内容】
2022-07-13  蓝星研究所    Tags:人工智能   点击:(0)  评论:(0)  加入收藏
上个月安利了一波:机器学习自动补全代(hán)码(shù)神器,然后就被打脸了,Github 宣布 copilot 要开始收费了。 Github 和 OpenAI 一样,遇到微软之后就慢慢丧失灵魂...【详细内容】
2022-07-12  机器学习与Python社区    Tags:OpenAI   点击:(6)  评论:(0)  加入收藏
训练深度神经网络是一项具有挑战性的任务。 多年来,研究人员提出了不同的方法来加速和稳定学习过程。 归一化是一种被证明在这方面非常有效的技术。 在这篇文章中,我将使用类...【详细内容】
2022-07-08  deephub    Tags:深度学习   点击:(11)  评论:(0)  加入收藏
与人类不同,人工神经网络在学习新事物时会迅速遗忘先前学到的信息,必须通过新旧信息的交错来重新训练;但是,交错全部旧信息非常耗时,并且可能没有必要。只交错与新信息有实质相似...【详细内容】
2022-07-06    雷峰网  Tags:深度学习   点击:(20)  评论:(0)  加入收藏
近年来,机器人和人工智能(AI),一直是许多人关注的重点议题,人工智能能不能取代人类的工作,也常被人拿来讨论。国际会计事务所“普华永道(PwC)”发布的分析称,在未来20年内,人工智能和...【详细内容】
2022-06-20  话匣子聊天    Tags:人工智能   点击:(32)  评论:(0)  加入收藏
face_recognition是一个强大、简单、易上手的人脸识别开源项目,并且配备了完整的开发文档和应用案例,特别是兼容树莓派系统。非常最简洁的人脸识别库,使用和安装都非常简单,可以...【详细内容】
2022-06-11  AI工具箱    Tags:face_recognition   点击:(18)  评论:(0)  加入收藏
AIoT是大势所趋;“算法定义硬件”是核心理念;开放生态是必由之路当前,我们正在大踏步地迈入物联网时代,AIoT将是互联网发展的下一次浪潮。物联网一定是高度智能化的网络,“智能”...【详细内容】
2022-06-08    金融界  Tags:AIoT   点击:(35)  评论:(0)  加入收藏
人工智能作为第四次工业革命的重要抓手之一,已经成为各国科技领域争夺的焦点。中美两国在该领域各有千秋,竞争日趋激烈。国内人工智能政策环境较好,产业基础初步具备,市场需求十...【详细内容】
2022-05-26  JIEWEIGZ    Tags:AI   点击:(35)  评论:(0)  加入收藏
微克软件机器人通过模拟人工操作进行业务流程自动化处理,提高办公效率和优化办公品质,拥有鼠标键盘操作、融合OCR文字识别、目标检测等AI人工智能技术,能够轻松将日常办公中的...【详细内容】
2022-04-30  微克软件机器人    Tags:AI   点击:(152)  评论:(0)  加入收藏
人工智能是一个广义术语,包括通用人工智能、机器学习、数据挖掘等多个方面,目前我们在游戏、机器人、人脸识别、语音识别、视觉识别、搜索引擎、智能推荐上都能看到AI的身影。...【详细内容】
2022-04-29  圣普伦数字技术培训    Tags:人工智能   点击:(59)  评论:(0)  加入收藏
相关文章
    无相关信息
站内最新
站内热门
站内头条