• 【Caffe】利用log文件绘制loss和accuracy(转载)


    (原文地址:http://blog.csdn.net/liuweizj12/article/details/64920428
    在训练过程中画出accuracy 和loss曲线能够更直观的观察网络训练的状态,以便更好的优化网络的训练。本文主要介绍在基于caffe框架训练网络时,如何利用caffe自带的一些实用的工具包来绘制曲线

    一、

    设置训练配置文件参数,保存训练时的参数至log文件

    [python] view plain copy

    TOOLS=./build/tools  
    LOG=examples/testCreateLmDB/log/log-`date +%Y-%m-%d-%H-%M-%S`.log  
    $TOOLS/caffe train   
      --solver=examples/testCreateLmDB/my_quick_solver.prototxt 2>&1   | tee $LOG $@  
    

    其中:tee :将输出内容 重定向到日志文件中,同时在终端打印输出

             2>&1 是将标准出错重定向到标准输出,这里的标准输出已经重定向到了out.file文件,即将标准出错也输出到out.file文件中。最后一个&, 是让该命令在后台执行
    

    二、

    开始训练后,在log目录里面生成“log-2017-03-22-10-33-20.log”日志文件

    三、

    解析log中的内容 分成train和 test 会在当前文件夹下生成log-data.train 和 log-data.test两个文件

    tools/extra

    ./parse_log.sh  log-2017-03-22-10-33-20.log
    

    四、

    调用py程序绘制图形

    tools/extra

    ./plot_training_log.py.example 0 save.png log-data.log

    其中0代表曲线类型, save.png 代表保存的图片名称 caffe中支持很多种曲线绘制,通过指定不同的类型参数即可,具体参数如下

    Notes:    1. Supporting multiple logs.    
    
              2. Log file name must end with the lower-cased ".log".
    
     Supported chart types:    
    
    0: Test accuracy  vs. Iters  
    1: Test accuracy  vs. Seconds       
    2: Test loss  vs. Iters     
    4: Train learning rate  vs. Iters    
    5: Train learning rate  vs. Seconds     
    6: Train loss  vs. Iters     
    7: Train loss  vs. Seconds

    其结果如下:

     ./plot_training_log.py.example 0 save.png /home/lw/caffe/examples/testCreateLmDB/log/log-2017-03-22-10-33-20.log 

    这里写图片描述

        ./plot_training_log.py.example 2 save.png /home/lw/caffe/examples/testCreateLmDB/log/log-2017-03-22-10-33-20.log   

    这里写图片描述

  • 相关阅读:
    转:Java 6 JVM参数选项大全(中文版)
    转:Http Get Post put delete
    转:Google MapReduce中文版
    转:java.net.SocketException: Too many open files解决方法
    转:UML类图基础
    转:Maven常用命令
    转:ibatis配置简介
    转:导出 Oracle 数据库中所所有用户表的表结构
    C# 中使用iTextSharp组件修改PDF元数据(title,Keywords等)
    SQL Server跨服务器查询
  • 原文地址:https://www.cnblogs.com/TensorSense/p/7413306.html
Copyright © 2020-2023  润新知