当前位置: 首页 > news >正文

【caffe】在windows下输出训练caffemodel的log日志并画出accuracy和loss曲线

作者:kusoGod
链接:https://www.zhihu.com/question/49521165/answer/127675889
来源:知乎
caffe中其实已经自带了这样的小工具 caffe-master/tools/extra/parse_log.sh  caffe-master/tools/extra/extract_seconds.py和 caffe-master/tools/extra/plot_training_log.py.example ,使用方法如下:1.windows记录训练日志:在训练过程中的命令中加入一行参数 ,实现Log日志的记录,这里我使用的.bat。其实一可以像前面某位大哥一样,直接copy输出的类容。
caffe train --solver=deepid/deepid2/deepid_solver.prototxt >log/XXXXX.log 2>&1
pause

这样训练结束之后,会在Log文件夹中生成每次训练的Log日志,但是生成的是这样的文件XXXXX.log. 如果没有生成,那你可以改成TXT后缀 后面在重名名2.解析训练日志将最上面说的3个脚本文件拷贝到Log 文件夹下,生成XXXXX.log (这里记得不要使用python3,因为有些地方不兼容,如果只有python3,那你可以根据提示修改相应的代码  下同)python parse_log.py log/XXXXX.log .
后面的参数为log文件名,这样就会在当前文件夹下生成一个.train文件和一个.test文件3.生成图片执行:
python plot_training_log.py 0  save.png XXXX.log 
这里是需要png图片。需要修改plot_training_log.py。可以生成训练过程中的Test accuracy  vs. Iters 曲线,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: Train learning rate  vs. Iters 
    3: Train learning rate  vs. Seconds
    4: Test loss  vs. Iters 
    5: Test loss  vs. Seconds 
    6: Train learning rate  vs. Iters 
    7: Train learning rate  vs. Seconds 
    8: Train loss  vs. Iters 
    9: Train loss  vs. Seconds 
最后,看一下效果

相关文章:

  • 深度学习训练中关于数据处理方式--原始样本采集以及数据增广
  • 【tensorflow实战笔记-分类篇】思路构思
  • 知乎上关于‘深度学习调参技巧’讨论
  • Matlab中@文件夹/+文件夹,类的点滴知识点
  • 入门GAN小示例tensorflow代码解析
  • Maltlab中函数 line()以及text()
  • 阅读MatconvNet中Fast Rcnn源码笔记(1)
  • 深度学习之对抗样本问题
  • 深度学习对抗样本的八个误解与事实
  • 阅读yolo_v1源码(tensorflow)笔记
  • 【Tensorflow1.0+】记录常用函数
  • 【零基础入门学习Python笔记017】GUI的最终选择:Tkinter
  • 用Yolov2模型训练VOC数据集的各文件理解
  • python 中easydict的简单使用
  • Numpy np.array 相关常用操作学习笔记
  • Apache Spark Streaming 使用实例
  • flutter的key在widget list的作用以及必要性
  • isset在php5.6-和php7.0+的一些差异
  • java第三方包学习之lombok
  • JS笔记四:作用域、变量(函数)提升
  • NLPIR语义挖掘平台推动行业大数据应用服务
  • October CMS - 快速入门 9 Images And Galleries
  • PHP 使用 Swoole - TaskWorker 实现异步操作 Mysql
  • 第十八天-企业应用架构模式-基本模式
  • 翻译 | 老司机带你秒懂内存管理 - 第一部(共三部)
  • 分类模型——Logistics Regression
  • 前端每日实战 2018 年 7 月份项目汇总(共 29 个项目)
  • 温故知新之javascript面向对象
  • 用Canvas画一棵二叉树
  • shell使用lftp连接ftp和sftp,并可以指定私钥
  • ​Java并发新构件之Exchanger
  • #include到底该写在哪
  • #pragma data_seg 共享数据区(转)
  • $.extend({},旧的,新的);合并对象,后面的覆盖前面的
  • (4)STL算法之比较
  • (8)Linux使用C语言读取proc/stat等cpu使用数据
  • (C语言)逆序输出字符串
  • (ISPRS,2023)深度语义-视觉对齐用于zero-shot遥感图像场景分类
  • (pojstep1.1.1)poj 1298(直叙式模拟)
  • (附源码)springboot青少年公共卫生教育平台 毕业设计 643214
  • (论文阅读22/100)Learning a Deep Compact Image Representation for Visual Tracking
  • (南京观海微电子)——COF介绍
  • (转)ABI是什么
  • (转)linux 命令大全
  • .NET CF命令行调试器MDbg入门(四) Attaching to Processes
  • .NET Core IdentityServer4实战-开篇介绍与规划
  • .net 无限分类
  • .NET/MSBuild 中的发布路径在哪里呢?如何在扩展编译的时候修改发布路径中的文件呢?
  • .NET开发不可不知、不可不用的辅助类(三)(报表导出---终结版)
  • .net用HTML开发怎么调试,如何使用ASP.NET MVC在调试中查看控制器生成的html?
  • .考试倒计时43天!来提分啦!
  • /usr/bin/python: can't decompress data; zlib not available 的异常处理
  • @angular/cli项目构建--http(2)
  • @TableId注解详细介绍 mybaits 实体类主键注解
  • [ vulhub漏洞复现篇 ] struts2远程代码执行漏洞 S2-005 (CVE-2010-1870)