使用 python的plot 绘制网络训练过程中的的 loss 曲线以及准确率变化曲线，这里的主要思想就时先把想要的损失值以及准确率值保存下来，保存到 .txt 文件中，待网络训练结束，我们再拿这存储的数据绘制各种曲线。

其大致步骤为：数据读取与存储 - > loss曲线绘制 - > 准确率曲线绘制

一、数据读取与存储部分

我们首先要得到训练时的数据，以损失值为例，网络每迭代一次都会产生相应的 loss，那么我们就把每一次的损失值都存储下来，存储到列表，保存到 .txt 文件中。

1.3817585706710815, 1.8422836065292358, 1.1619832515716553, 0.5217241644859314, 0.5221078991889954, 1.3544578552246094, 1.3334463834762573, 1.3866571187973022, 0.7603049278259277

上图为部分损失值，根据迭代次数而异，要是迭代了1万次，这里就会有1万个损失值。
而准确率值是每一个 epoch 产生一个值，要是训练100个epoch，就有100个准确率值。

这里的损失值是怎么保存到文件中的呢？首先，找到网络训练代码，就是项目中的 main.py，或者 train.py ，在文件里先找到训练部分，里面经常会有这样一行代码：

for epoch in range(resume_epoch, num_epochs):   # 就是这一行####...loss = criterion(outputs, labels.long())              # 损失样例...    epoch_acc = running_corrects.double() / trainval_sizes[phase]    # 准确率样例    ...    ###

从这一行开始就是训练部分了，往下会找到类似的这两句代码，就是损失值和准确率值了。

这时候将以下代码加入源代码就可以了：

train_loss = []train_acc = []for epoch in range(resume_epoch, num_epochs):          # 就是这一行###...loss = criterion(outputs, labels.long())           # 损失样例train_loss.append(loss.item())                     # 损失加入到列表中...epoch_acc = running_corrects.double() / trainval_sizes[phase]    # 准确率样例train_acc.append(epoch_acc.item())                 # 准确率加入到列表中... with open("./train_loss.txt", 'w') as train_los:    train_los.write(str(train_loss))with open("./train_acc.txt", 'w') as train_ac:     train_ac.write(str(train_acc))

这样就算完成了损失值和准确率值的数据存储了！

二、绘制 loss 曲线

主要需要 numpy 库和 matplotlib 库。

pip install numpy malplotlib

首先，将 .txt 文件中的存储的数据读取进来，以下是读取函数：

import numpy as np# 读取存储为txt文件的数据def data_read(dir_path):    with open(dir_path, "r") as f:        raw_data = f.read()        data = raw_data[1:-1].split(", ")   # [-1:1]是为了去除文件中的前后中括号"[]"    return np.asfarray(data, float)

然后，就是绘制 loss 曲线部分：

if __name__ == "__main__":train_loss_path = r"/train_loss.txt"   # 存储文件路径y_train_loss = data_read(train_loss_path)        # loss值，即y轴x_train_loss = range(len(y_train_loss)) # loss的数量，即x轴plt.figure()    # 去除顶部和右边框框    ax = plt.axes()    ax.spines['top'].set_visible(False)    ax.spines['right'].set_visible(False)    plt.xlabel('iters')    # x轴标签    plt.ylabel('loss')     # y轴标签# 以x_train_loss为横坐标，y_train_loss为纵坐标，曲线宽度为1，实线，增加标签，训练损失，# 默认颜色，如果想更改颜色，可以增加参数color='red',这是红色。    plt.plot(x_train_loss, y_train_loss, linewidth=1, linestyle="solid", label="train loss")    plt.legend()    plt.title('Loss curve')    plt.show()    pit.savefig("loss.png")

这样就算把损失图像画出来了！如下：

三、绘制准确率曲线
有了上面的基础，这就简单很多了。
只是有一点要记住，上面的x轴是迭代次数，这里的是训练轮次 epoch。

if __name__ == "__main__":train_acc_path = r"/train_acc.txt"   # 存储文件路径y_train_acc = data_read(train_acc_path)       # 训练准确率值，即y轴x_train_acc = range(len(y_train_acc)) # 训练阶段准确率的数量，即x轴plt.figure()    # 去除顶部和右边框框    ax = plt.axes()    ax.spines['top'].set_visible(False)    ax.spines['right'].set_visible(False)    plt.xlabel('epochs')    # x轴标签    plt.ylabel('accuracy')     # y轴标签# 以x_train_acc为横坐标，y_train_acc为纵坐标，曲线宽度为1，实线，增加标签，训练损失，# 增加参数color='red',这是红色。    plt.plot(x_train_acc, y_train_acc, color='red',linewidth=1, linestyle="solid", label="train acc")    plt.legend()    plt.title('Accuracy curve')    plt.show()    pit.savefig("acc.png")

这样就把准确率变化曲线画出来了！如下：

以下是完整代码，以绘制准确率曲线为例，并且将x轴换成了iters，和损失曲线保持一致，供参考：

import numpy as npimport matplotlib.pyplot as plt# 读取存储为txt文件的数据def data_read(dir_path):    with open(dir_path, "r") as f:        raw_data = f.read()        data = raw_data[1:-1].split(", ")    return np.asfarray(data, float)# 不同长度数据，统一为一个标准，倍乘x轴def multiple_equal(x, y):    x_len = len(x)    y_len = len(y)    times = x_len/y_len    y_times = [i * times for i in y]    return y_timesif __name__ == "__main__":    train_loss_path = r"/train_loss.txt"    train_acc_path = r"/train_acc.txt"    y_train_loss = data_read(train_loss_path)    y_train_acc = data_read(train_acc_path)    x_train_loss = range(len(y_train_loss))    x_train_acc = multiple_equal(x_train_loss, range(len(y_train_acc)))    plt.figure()    # 去除顶部和右边框框    ax = plt.axes()    ax.spines['top'].set_visible(False)    ax.spines['right'].set_visible(False)    plt.xlabel('iters')    plt.ylabel('accuracy')    # plt.plot(x_train_loss, y_train_loss, linewidth=1, linestyle="solid", label="train loss")    plt.plot(x_train_acc, y_train_acc,  color='red', linestyle="solid", label="train accuracy")    plt.legend()    plt.title('Accuracy curve')    plt.show()    pit.savefig("acc.png")

来源地址：https://blog.csdn.net/weixin_45277161/article/details/131019756