1. Model Log 介绍 Model Log 是一款基于 Python3 的轻量级机器学习(Machine Learning).深度学习(Deep Learning)模型训练评估指标可视化工具,与 TensorFlow.Pytorch.PaddlePaddle结合使用,可以记录模型训练过程当中的超参数.Loss.Accuracy.Precision.F1值等,并以曲线图的形式进行展现对比,轻松三步即可实现. 通过调节超参数的方式多次训练模型,并使用 Model Log 工具进行记录,可以很

小伙伴们大家好~o(￣▽￣)ブ,首先声明一下,我的开发环境是Jupyter lab,所用的库和版本大家参考: Python 3.7.1(你的版本至少要3.4以上 Scikit-learn 0.20.0 (你的版本至少要0.20 Graphviz 0.8.4 (没有画不出决策树哦,安装代码conda install python-graphviz Numpy 1.15.3, Pandas 0.23.4, Matplotlib 3.0.1, SciPy 1.1.0 用SKlearn 建立一棵决策树

在机器学习中,经常要用scikit-learn里面的线性回归模型来对数据进行拟合,进而找到数据的规律,从而达到预测的目的.用图像展示数据及其拟合线可以非常直观地看出拟合线与数据的匹配程度,同时也可用于后续的解释和阐述工作. 这里利用Nathan Yau所著的<鲜活的数据:数据可视化指南>一书中的数据,学习画图. 数据地址:http://datasets.flowingdata.com/unemployment-rate-1948-2010.csv 准备工作:先导入matplotlib和pand

import matplotlib.pyplot as plt iteration = [] loss = [] with open('/home/sensetime/log.txt','r') as file: for line in file: line = line.strip() if(line.find('Iteration') != -1): if(line.find('loss') != -1): line = line.split() line[5] = line[5].spli

参考博客: http://blog.csdn.net/sunshine_in_moon/article/details/53541573 进入tools/extra/文件夹中,修改plot_training_log.py文件...等等,我按照作者说的,试着修改了一通,然后失败了.还好该博客的作者把修改的文件上传在csdn上,直接下载便可以用. 下载该文件, 我把下载的extra文件夹解压到了log文件夹里面,首先要把生成的log日志后缀改为.log形式. 命令格式: python plot_tr

http://blog.csdn.net/pipisorry/article/details/53001866 绘制ROC曲线 def plotRUC(yt, ys, title=None): ''' 绘制ROC-AUC曲线 :param yt: y真值 :param ys: y预测值 ''' from sklearn import metrics from matplotlib import pyplot as plt f_pos, t_pos, thresh = metrics.roc_cu

目录 darknet优化经验 1. AlexeyAB改进项 2. Linux下编译选项 3. 训练经验 4. 提升检测效果 5. 总结 6. AlexeyAB大神改进 darknet优化经验 主要来自于:AlexeyAB 版本darknet 1. AlexeyAB改进项 提供window支持 相较于原版pjreddie版本darknet提升了训练速度 添加了二值化网络,XNOR(bit) ,速度快,准确率稍低https://github.com/AlexeyAB/darknet/blob/mas

目录 darknet优化经验 1. AlexeyAB改进项 2. Linux下编译选项 3. 训练经验 4. 提升检测效果 5. 总结 6. AlexeyAB大神改进 darknet优化经验 主要来自于:AlexeyAB 版本darknet 1. AlexeyAB改进项 提供window支持 相较于原版pjreddie版本darknet提升了训练速度 添加了二值化网络,XNOR(bit) ,速度快,准确率稍低https://github.com/AlexeyAB/darknet/blob/mas

支持向量机系列 (1) 算法理论理解 http://blog.pluskid.org/?page_id=683 手把手教你实现SVM算法(一) (2) 算法应用 算法应用----python 实现实例,线性分割二维平面数据 工具: python 以及numpy matplot sklearn sklearn的svm的介绍以及一些实例 http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html # coding: ut

前一段时间做了一些项目,把一些笔记放在了txt中,现分享出来,自己也能够时长预习. 1) 读取文件时,将固定的文件地址,采用数组或者字符串的形式,提前表示出来,后期使用时候采用拼接操作 2) # 得到该目录下的文件 file_list = os.listdir(base_path + '/data/cnn_train/') file_list Out[6]: ['finance', 'it', 'sports'] 3) 打开一个文件 f = open(base_path + '/data/cnn

利用sklearn画AUC曲线 from sklearn.metrics import roc_curve labels=[1,1,0,0,1] preds=[0.8,0.7,0.3,0.6,0.5] fpr, tpr, thresholds = roc_curve(labels, preds) print(fpr)print(tpr)print(thresholds) 结果: [0. 0. 0.5 0.5 1. ] [0.33333333 0.66666667 0.66666667 1. 1.

tf.summary模块的简介 在TensorFlow中,最常用的可视化方法有三种途径,分别为TensorFlow与OpenCv的混合编程.利用Matpltlib进行可视化.利用TensorFlow自带的可视化工具TensorBoard进行可视化.这三种方法,在前面博客中都有过比较详细的介绍.但是,TensorFlow中最重要的可视化方法是通过tensorBoard.tf.summary和tf.summary.FileWriter这三个模块相互合作来完成的. tf.summary模块的定义位于s

caffe 用matlab解析日志画loss和accuracy clc; clear; % load the log file of caffe model fid = fopen('log-previous-insulator.txt', 'r'); tline = fgetl(fid); accuracyIter =[]; accuracyArray =[]; lossIter = []; lossArray = []; %record the last line lastLine = ''

本文转载自:https://www.cnblogs.com/lyc-seu/p/8647792.html Tensorflow Summary用法 tensorboard 作为一款可视化神器,是学习tensorflow时模型训练以及参数可视化的法宝.而在训练过程中,主要用到了tf.summary()的各类方法,能够保存训练过程以及参数分布图并在tensorboard显示. tf.summary有诸多函数: 1.tf.summary.scalar 用来显示标量信息,其格式为: tf.summary

画loss曲线需要用到此shell脚本 #!/bin/bash # Usage parse_log.sh caffe.log # It creates the following two text files, each containing a table: # caffe.log.test (columns: '#Iters Seconds TestAccuracy TestLoss') # caffe.log.train (columns: '#Iters Seconds Training

tensorboard 作为一款可视化神器,可以说是学习tensorflow时模型训练以及参数可视化的法宝. 而在训练过程中,主要用到了tf.summary()的各类方法,能够保存训练过程以及参数分布图并在tensorboard显示. tf.summary有诸多函数: 1.tf.summary.scalar 用来显示标量信息,其格式为: tf.summary.scalar(tags, values, collections=None, name=None) 例如:tf.summary.scala

bilibili莫烦tensorflow视频教程学习笔记 1.初次使用Tensorflow实现一元线性回归 # 屏蔽警告 import os os.environ[' import numpy as np import tensorflow as tf # create dataset x_data = np.random.rand(100).astype(np.float32) y_data = x_data * 2 + 5 ### create tensorflow structure St

用法: 1.tf.summary.scalar 用来显示标量信息,其格式为: tf.summary.scalar(tags, values, collections=None, name=None) 例如:tf.summary.scalar('mean', mean) 一般在画loss,accuary时会用到这个函数. 2.tf.summary.histogram 用来显示直方图信息,其格式为: tf.summary.histogram(tags, values, collections=Non

转载自:https://blog.csdn.net/dss_dssssd/article/details/83892824 版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明.本文链接:https://blog.csdn.net/dss_dssssd/article/details/83892824————————————————版权声明:本文为CSDN博主「墨氲」的原创文章,遵循CC 4.0 by-sa版权协议,转载请附上原文出处链接及本声明

YOLO---多个版本的简单认识 YOLOv3 有好几个经典版本了:一.YOLOv3 (Darknet)官网 @ https://github.com/pjreddie/darknet二.YOLOv3(darknet优化了)@ https://github.com/AlexeyAB/darknet三.YOLOv3 with OpenCV官网 @ https://github.com/JackKoLing/opencv_deeplearning_practice/tree/master/praci

1.tf.summary.scalar('accuracy', accuracy) 损失值.准确率随着迭代次数的进行,其指标变化情况:一般在画loss,accuary时会用到这个函数. 2.tensorboard左侧的工具栏上的smoothing,表示在做图的时候对图像进行平滑处理,这样做是为了更好的展示参数的整体变化趋势.如果不平滑处理的话,有些曲线波动很大,难以看出趋势.0 就是不平滑处理,1 就是最平滑,默认是 0.6. 值为0时: 值为0.8时: 平滑处理后更能看出变化趋势. 3.工具栏