Caffe的可视化训练：绘制loss和accuracy曲线

曾经用caffe自带的提取训练log的脚本以及画图的脚本，发现plot_traning_lo.py老报错。  就改用Spyder直接运行Python 脚本的方式了。

本文参考了 徐其华的blog ：http://www.cnblogs.com/denny402/p/5686067.html  ，并修改了相关的错误

1. import import numpy as np, 然后zeros，ceil，arange前面加np.

2.

_train_loss += solver.net.blobs['SoftmaxWithLoss1'].data    中 'SoftmaxWithLoss1' 改为'loss' ,这是这一层的名字而不是类型。
同理：Accuracy1 改为  accuracy

3.给出网络solver.prototxt的路径时候，最好用绝对路径不要用相对路径。用～/caffe等相对路径，我这里报出了“Kernel died. Restarting”的错误

下面贴出原始代码：

# -*- coding: utf-8 -*-
"""

@author: root
"""

import matplotlib.pyplot as plt
import numpy as np
import caffe
caffe.set_device(0)
caffe.set_mode_gpu()
# 使用SGDSolver，即随机梯度下降算法
#  下面这里用绝对路径。用～/caffe等相对路径，我这里报出了“Kernel died. Restarting”的错误
solver = caffe.SGDSolver('/home/XX/caffe/workplace/XX/cifar10_quick_solver.prototxt')

# 等价于solver文件中的max_iter，即最大解算次数
niter = 1000
# 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 = 2
# 每500次训练进行一次测试（100次解算），60000/64
test_interval =10

#初始化
train_loss = np.zeros(np.ceil(niter * 1.0 / display))
test_loss = np.zeros(np.ceil(niter * 1.0 / test_interval))
test_acc = np.zeros(np.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  “loss”为名字而不是类型
_train_loss += solver.net.blobs['loss'].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['loss'].data
# 计算test accuracy
_accuracy += solver.test_nets[0].blobs['accuracy'].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 accuracy\n'
_, ax1 = plt.subplots()
ax2 = ax1.twinx()

# train loss -> 绿色
ax1.plot(display * np.arange(len(train_loss)), train_loss, 'g')
# test loss -> 黄色
ax1.plot(test_interval * np.arange(len(test_loss)), test_loss, 'y')
# test accuracy -> 红色
ax2.plot(test_interval * np.arange(len(test_acc)), test_acc, 'r')

ax1.set_xlabel('iteration')
ax1.set_ylabel('loss')
ax2.set_ylabel('accuracy')
plt.show()