ubuntu16.04下Caffe绘制训练过程的loss和accuracy曲线

      在利用Caffe训练相应的网络模型后，往往需要绘制训练过程中的数据，这样可以更加直观地展示我们的实验结果，事实上，caffe自带了这样的小工具，当然你也可以自己写个代码，下面分别介绍这两种方法：

     （一）利用caffe自带工具

       （1）首先假设你生成的log文件名为train.log，利用你的～/caffe/tools/extra/parse_log.py来解析train.log文件，会生成两个文件，分别为：train.log.test、train.log.train。为了方便演示，这里将train.log文件拷贝到与～/caffe/tools/extra/parse_log.py相同的目录下，在该目录右键打开终端，执行以下命令即可（不要忘记了最后的“.”）：

python parse_log_rs.py train.log .

注意：不要忘记了最后的“.”，代表的是你train.log.test、train.log.train文件的输出保存路径，这里的“.”代表的是当前目录，我的截图示例如下：

               

        （2）利用你的～/caffe/tools/extra/plot_training_log.py.example来绘制相应的loss和accuracy曲线，这里建议你生成该文件的一个拷贝，保留原始文件，新文件名字为plot_training_log.py。执行命令：

cp plot_training_log.py.example plot_training_log.py

           然后执行以下命令即可绘制相应曲线：

python plot_training_log.py 0 save.png train.log

    参数“save.png”代表你保存绘制图像的文件名，train.log就是你最初训练获得log文件，其中的“0”代表地是其中一种类型，事实上这里有8中模式，具体模式如下，你可以依次尝试：

    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: Test loss  vs. Iters  
        3: Test loss  vs. Seconds  
        4: Train learning rate  vs. Iters  
        5: Train learning rate  vs. Seconds  
        6: Train loss  vs. Iters  
        7: Train loss  vs. Seconds  

如果你在运行上述代码出现了以下错误，直接执行以下安装命令即可：

sudo apt-get install python-tk

最终打开保存的图片save.png，如下所示：

     （二）自己写个小代码绘制曲线

       其实caffe提供的工具已经非常完整了，我们还可以进去代码结合自己的需求进行相应的修改。唯一的不足时，上述方法往往是单个曲线的绘制，如果你想把loos与accuracy曲线叠加在一个图上，就可以采用下面的代码来完成：

注意：第一步还是需要利用～/caffe/tools/extra/parse_log.py来解析train.log文件，生成两个文件，分别为：train.log.test、train.log.train。

注意：你可以更该相应的参数名来绘制你想要的曲线，例如：

ax1.plot(train_log["NumIters"], train_log["loss"], 'r')   # 绘制训练迭代次数与loss曲线，可以选择文件中其它的参数绘制曲线

ax2.plot(test_log["NumIters"], test_log["accuary"], 'm')  # 绘制测试迭代次数与准确率曲线

plot_loss_accuracy.py

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

import pandas as pd
import matplotlib.pyplot as plt

train_log = pd.read_csv("train.log.train")   # 你的文件名
test_log = pd.read_csv("train.log.test")     # 你的文件名

_, ax1 = plt.subplots()
ax1.set_title("train loss and test loss")    # 标题
# ax1.plot(train_log["NumIters"], train_log["loss"], alpha=0.5)
ax1.plot(train_log["NumIters"], train_log["loss"], 'r')   # 绘制训练迭代次数与loss曲线，可以选择文件中其它的参数绘制曲线
# ax1.plot(test_log["NumIters"], test_log["loss"], 'g')   # 绘制测试迭代次数与loss曲线
ax1.set_xlabel('iteration')
ax1.set_ylabel('train loss')
plt.legend(loc='upper left')

ax2 = ax1.twinx()
# ax2.plot(test_log["NumIters"], test_log["acc/top-1"], 'r')
# ax2.plot(test_log["NumIters"], test_log["acc/top-5"], 'm')
# ax2.plot(test_log["NumIters"], test_log["accuary"], 'r')
ax2.plot(test_log["NumIters"], test_log["accuary"], 'm')  # 绘制测试迭代次数与准确率曲线
ax2.set_ylabel('test accuracy')
plt.legend(loc='upper right')

plt.show()

print('Done.')

结果图为：