Caffe学习：绘制loss和accuracy曲线（使用caffe的python接口）

Caffe学习：绘制loss和accuracy曲线（使用caffe的python接口）

上一篇博客讲到了使用caffe的工具包来绘制loss曲线和accuracy曲线，这篇文章主要将如何使用caffe的python接口绘制这两种曲线，以下的内容转自于：
http://www.cnblogs.com/denny402/p/5686067.html
使用python接口来运行caffe程序，主要的原因是python非常容易可视化。所以不推荐大家在命令行下面运行python程序。如果非要在命令行下面运行，还不如直接用 c++算了。
推荐使用jupyter notebook，spyder等工具来运行python代码，这样才和它的可视化完美结合起来。
因为我是用anaconda来安装一系列python第三方库的，所以我使用的是spyder,与matlab界面类似的一款编辑器，在运行过程中，可以查看各变量的值，便于理解，如下图：



# -*- coding: utf-8 -*-
"""
Created on Sat May 6 11:39:29 2017

@author: root
"""

import sys
cafferoot='/root/caffe'
sys.path.insert(0,cafferoot+'/python')
import matplotlib.pyplot as plt
from numpy import zeros,arange
from math import ceil
import caffe
caffe.set_device(0)
caffe.set_mode_gpu()
# 使用Adamsolver，即随机梯度下降算法
solver=caffe.AdamSolver('/root/caffe/examples/mnist/lenet_solver_adam.prototxt')
#solver = caffe.SGDSolver('/root/caffe/examples/mnist/lenet_solver.prototxt')

# 等价于solver文件中的max_iter，即最大解算次数
niter = 10000
# 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 =500

#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['loss'].data #注意，这里的loss表示你定义网络中loss层使用的名称，原博客中定义该网络使用的是SoftmaxWithLoss

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 #loss名称和上面的一样
# 计算test accuracy
_accuracy += solver.test_nets[0].blobs['accuracy'].data # 这里和上面一样需要注意一下

# 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 * 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()
最后生成的曲线如下所示：



可以看出使用python接口来绘制曲线和将两种曲线绘制在一张图上。其实上面的程序相当于将网络重新训练一下，训练的时候将loss值和迭代次数，测试的accuracy值保存在相应的变量里，训练完之后再绘制。下面是使用spyder运行时的最后的结果。