此篇文章主要是给大家介绍了caffe的python插口制作loss和accuracy曲线图实例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪
前言
使用python插口来运行caffe程序流程，根本原因是python很容易数据可视化。所以才建议大家在cmd下边运行python程序流程。如果一定要在cmd下边运作，不如直接用c++算了。
强烈推荐使用jupyternotebook，spyder等设备来运行python编码，这样也和它数据可视化完美融合在一起。
anaconda库
我属于用anaconda来组装一连串python三方库的，因此我所使用的是spyder,与matlab页面类似的这款在线编辑器，在运行中，可以看一下各自变量数值，有利于了解，如下图所示：
只要安装了anaconda，运行方式也非常方便，直接在终端输入spyder命令就可以了。
python接口实现
在caffe的训练过程中，我们如果想知道某个阶段的loss值和accuracy值，并用图表画出来，用python接口就对了。
#-*-coding:utf-8-*-
"""
Created on Tue Jul 19 16:22:22 2016
author:root
"""
import matplotlib.pyplot as plt
import caffe
caffe.set_device(0)
caffe.set_mode_gpu()
#使用SGDSolver，即随机梯度下降算法
solver=caffe.SGDSolver('/home/xxx/mnist/solver.prototxt')
#等价于solver文件中的max_iter，即最大解算次数
niter=9380
#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=938
#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['SoftmaxWithLoss1'].data
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['SoftmaxWithLoss1'].data
#计算test accuracy
_accuracy+=solver.test_nets[0].blobs['Accuracy1'].data
#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 accuracyn'
_,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()最后生成的图表在上图中已经显示出来了。
综上所述，这篇文章就给大家解答完毕了，希望可以给大家带来帮助。
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/128756.html
此篇文章主要是详细介绍了caffe的python插口形成环境变量学习培训，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪 caffe是C++语言表达所写的，可能大家不太熟，所以想要更方便的编程语言来达到。caffe给予matlab接口和python插口，这几种语言表达就比较简单，并且很容易开展数据可视化，导致学习培训更为迅速，了解更加深刻。 一年前，我在...
文中主要是给大家介绍了caffe的python插口之手写数字识别mnist案例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪 论文引言 机器学习第一个案例一般都是是mnist，只需这个案例彻底搞懂了，其他的便是触类旁通的事了。因为字数缘故，文中不简单介绍环境变量里边每一个指标的具体函义，如果要搞明白的，请参考我之前的微博文章： 数据访问层及主...
本文主要是给大家介绍了caffe的python插口生成deploy文件学习培训及其用练习好一点的实体模型（caffemodel）来归类新的图片实例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪 caffe的python插口生成deploy文件 假如要将练习好一点的实体模型用于检测新的图片，那必然必须得一个deploy.prototxt文件，这一...
小编写这篇文章的一个主要目的，主要是给大家做一个详细的介绍，介绍的内容主要是利用Python知识，利用Python去实现RNN与堆叠的RNN，具体的实例代码，下面就给大家详细的去做一个解答。 1、双向RNN 双向RNN(Bidirectional RNN)的结构如下图所示。 双向的RNN是同时考虑过去和未来的信息。上图是一个序列长度为4的双向RNN结构。 双向RNN就像是我们做阅...
本文主要是给大家介绍了caffe的python插口形成solver文件详细说明学习培训实例，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的不断进步，尽早涨薪 也有一些基本参数必须计算出来的，并不是乱设定。 solver.prototxt的文件参数设置 caffe在训练的时候，需要一些参数设置，我们一般将这些参数设置在一个叫solver.prototxt的文件里面，如...
阅读 670·2023-01-14 11:38
阅读 493·2023-01-14 11:04
阅读 463·2023-01-14 10:48
阅读 1361·2023-01-14 10:34
阅读 622·2023-01-14 10:24
阅读 488·2023-01-14 10:18
阅读 289·2023-01-14 10:09
阅读 310·2023-01-14 10:02
