Caffe学习：绘制loss和accuracy曲线（使用caffe的python接口）
上一篇博客讲到了使用caffe的工具包来绘制loss曲线和accuracy曲线，这篇文章主要将如何使用caffe的python接口绘制这两种曲线，以下的内容转自于：
http://www.cnblogs.com/denny402/p/5686067.html
使用python接口来运行caffe程序，主要的原因是python非常容易可视化。所以不推荐大家在命令行下面运行python程序。如果非要在命令行下面运行，还不如直接用 c++算了。
推荐使用jupyter notebook，spyder等工具来运行python代码，这样才和它的可视化完美结合起来。
因为我是用anaconda来安装一系列python第三方库的，所以我使用的是spyder,与matlab界面类似的一款编辑器，在运行过程中，可以查看各变量的值，便于理解，如下图：
# -*- coding: utf-8 -*- """ Created on Sat May 6 11:39:29 2017 @author: root """ import sys cafferoot='/root/caffe' sys.path.insert(0,cafferoot+'/python') import matplotlib.pyplot as plt from numpy import zeros,arange from math import ceil import caffe caffe.set_device(0) caffe.set_mode_gpu() # 使用Adamsolver，即随机梯度下降算法 solver=caffe.AdamSolver('/root/caffe/examples/mnist/lenet_solver_adam.prototxt') #solver = caffe.SGDSolver('/root/caffe/examples/mnist/lenet_solver.prototxt') # 等价于solver文件中的max_iter，即最大解算次数 niter = 10000 # 每隔100次收集一次数据 display= 100 # 每次测试进行100次解算，10000/100 test_iter = 100 # 每500次训练进行一次测试（100次解算），60000/64 test_interval =500 #初始化 train_loss = zeros(ceil(niter * 1.0 / display)) test_loss = zeros(ceil(niter * 1.0 / test_interval)) test_acc = zeros(ceil(niter * 1.0 / test_interval)) # iteration 0，不计入 solver.step(1) # 辅助变量 _train_loss = 0; _test_loss = 0; _accuracy = 0 # 进行解算 for it in range(niter): # 进行一次解算 solver.step(1) # 每迭代一次，训练batch_size张图片 _train_loss += solver.net.blobs['loss'].data #注意，这里的loss表示你定义网络中loss层使用的名称，原博客中定义该网络使用的是SoftmaxWithLoss 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): # 进行一次测试 solver.test_nets[0].forward() # 计算test loss _test_loss += solver.test_nets[0].blobs['loss'].data #loss名称和上面的一样 # 计算test accuracy _accuracy += solver.test_nets[0].blobs['accuracy'].data # 这里和上面一样需要注意一下 # 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 # 绘制train loss、test loss和accuracy曲线 print '\nplot the train loss and test accuracy\n' _, ax1 = plt.subplots() ax2 = ax1.twinx() # train loss -> 绿色 ax1.plot(display * arange(len(train_loss)), train_loss, 'g') # test loss -> 黄色 ax1.plot(test_interval * arange(len(test_loss)), test_loss, 'y') # test accuracy -> 红色 ax2.plot(test_interval * arange(len(test_acc)), test_acc, 'r') ax1.set_xlabel('iteration') ax1.set_ylabel('loss') ax2.set_ylabel('accuracy') plt.show()最后生成的曲线如下所示：
可以看出使用python接口来绘制曲线和将两种曲线绘制在一张图上。其实上面的程序相当于将网络重新训练一下，训练的时候将loss值和迭代次数，测试的accuracy值保存在相应的变量里，训练完之后再绘制。下面是使用spyder运行时的最后的结果。
