Caffe——Python接口学习：绘制loss和accuracy曲线

Caffe——python接口学习：绘制loss和accuracy曲线

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：

只要安装了anaconda，运行方式也非常方便，直接在终端输入spyder命令就可以了。在caffe的训练过程中，我们如果想知道某个阶段的loss值和accuracy值，并用图表画出来，用python接口就对了。

# -*- coding: utf-8 -*-"""Created on Tue Jul 19 16:22:22 2016@author: root"""import matplotlib.pyplot as plt  import caffe   caffe.set_device(0)  caffe.set_mode_gpu()   # 使用SGDSolver，即随机梯度下降算法  solver = caffe.SGDSolver('/home/xxx/mnist/solver.prototxt')  # 等价于solver文件中的max_iter，即最大解算次数  niter = 9380  # 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 =938  #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['SoftmaxWithLoss1'].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['SoftmaxWithLoss1'].data              # 计算test accuracy              _accuracy += solver.test_nets[0].blobs['Accuracy1'].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 * 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()