[ log日志画图]分割模型训练结束生成相关日志运用代码画图

文章目录

  • [[ log日志画图]分割模型训练结束生成相关日志运用代码画图](#[ log日志画图]分割模型训练结束生成相关日志运用代码画图)
  • 我的log文件:
  • 画图:
    • 1.loss
        • [1.1 loss是干嘛的](#1.1 loss是干嘛的)
        • [1.2 代码](#1.2 代码)
        • [1.3 生成图](#1.3 生成图)
    • 2.DICE.IOU
        • [2.1 DICE,IOU是干嘛的(常规介绍)](#2.1 DICE,IOU是干嘛的(常规介绍))
        • [2.2 代码](#2.2 代码)
        • [2.3 生成图](#2.3 生成图)
        • 小白tip

[ log日志画图]分割模型训练结束生成相关日志运用代码画图

我的log文件:

这里大家看一下名字设置的和我一样吗,不一样后面自己要更改。

画图:

1.loss

1.1 loss是干嘛的

(常规介绍)

模型训练loss值是用来度量模型在训练数据上的拟合程度和预测误差的指标。

在训练过程中,模型通过最小化loss值来优化模型的参数,使其能够更好地拟合训练数据。当loss值越小,说明模型在训练数据上的预测结果与真实值的差距越小,表示模型的性能越好。

通过监控和分析loss值的变化,可以帮助我们理解模型的训练过程。如果loss值在训练过程中持续下降,表示模型正逐渐学习到数据的特征并进行拟合;如果loss值在训练过程中出现波动,可能表示模型遇到了一些困难,需要调整学习率或其他参数来优化模型;如果loss值在训练过程中停止下降或者开始上升,可能表示模型已经过拟合了训练数据,需要采取一些正则化方法来避免过拟合。

总之,通过监控和分析loss值,可以帮助我们追踪模型的训练过程和性能,并根据需要对模型进行调整和优化。

1.2 代码
python 复制代码
from matplotlib import rcParams
import matplotlib.pyplot as plt
import re

# 显示中文
rcParams['font.family'] = 'sans-serif'
rcParams['font.sans-serif'] = 'SimSun,Times New Roman'

text = ''
file = open('log2.txt')  # 您的log.txt文件放在与python文件同级目录下
for line in file:
    text += line
file.close()
all_list = re.findall('Train loss: .*[0-9]', text)

train_loss = []
for i in all_list:
    train_loss.append(float(i.split('Train loss: ')[1].split(' ||')[0]))

plt.plot(train_loss, label='Train loss')

plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Training Loss')
plt.legend(loc='best')
plt.show()
1.3 生成图

2.DICE.IOU

2.1 DICE,IOU是干嘛的(常规介绍)

DICE(Diversity, Independence, Complete Explanation )是一种用于评估机器学习模型性能的指标。在分割模型中,DICE系数被广泛应用。
DICE系数用于度量两个集合的相似性,通常用于评估分割模型的预测准确性。在分割任务中,模型预测出的分割结果与真实的分割结果进行比较。DICE系数的计算公式如下:

DICE = (2 * TP) / (2 * TP + FP + FN)

其中,TP表示正确预测的正样本数量,FP表示错误预测的正样本数量,FN表示未能预测到的正样本数量。DICE系数的取值范围为[0, 1],数值越接近1表示模型预测结果越接近真实结果,数值越接近0表示模型预测结果与真实结果差异越大。

在分割模型中,DICE系数常被用作评估模型的性能指标。通过计算模型预测结果与真实结果之间的DICE系数,可以衡量模型在分割任务中的准确性和稳定性。较高的DICE系数通常表示模型预测结果与真实结果较为一致,而较低的DICE系数可能暗示模型存在较大的误差或不准确性。

因此,DICE系数在分割模型中的作用是评估模型的预测准确性,并提供一种量化的衡量方式,帮助研究人员和从业者比较不同模型的性能,并进行模型的优化和改进。

。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

IOU(Intersection over Union)被用于评估分割结果的准确性。IOU衡量了预测分割结果与真实分割结果之间的重叠程度。

具体来说,IOU是通过计算预测分割结果的边界框(或像素)与真实分割结果的边界框(或像素)之间的交集面积除以它们的并集面积得到的。IOU的取值范围是0到1,表示预测分割结果与真实分割结果的重叠程度,数值越大表示分割结果越准确。

在训练过程中,常常使用IOU作为损失函数的一部分,帮助模型学习到更准确的分割结果。同时,在评估模型性能时,也会使用IOU作为一个重要的指标来衡量模型的分割准确性。
公式形式如下: IOU = (交集面积) / (并集面积)

2.2 代码
python 复制代码
from matplotlib import rcParams
import matplotlib.pyplot as plt
import re

# 显示中文
rcParams['font.family'] = 'sans-serif'
rcParams['font.sans-serif'] = 'SimSun,Times New Roman'

text = ''
file = open('log2.txt')  # 您的log.txt文件放在与python文件同级目录下
for line in file:
    text += line
file.close()
all_list_iou = re.findall('IOU: .*[0-9]', text)
all_list_dice = re.findall('DICE: .*[0-9]', text)

iou_scores = []
dice_scores = []
for i in all_list_iou:
    iou_scores.append(float(i.split('IOU: ')[1].split(', DICE:')[0]))
for i in all_list_dice:
    dice_scores.append(float(i.split('DICE: ')[1].split(' ||')[0]))

plt.plot(iou_scores, label='IOU')
plt.plot(dice_scores, label='DICE')

plt.xlabel('Epoch')
plt.ylabel('Score')
plt.title('IOU and DICE Scores')
plt.legend(loc='best')
plt.show()
2.3 生成图
小白tip

训练完成后可能没有log.txt文件哈,小白看这里!这里可能会生成一个日期时间(或者其他任何).log文件,你直接打开文件点击查看,这个文件扩展名给它打上勾,然后回去到那个日志文件直接更改成log.txt

相关推荐
数据智能老司机22 分钟前
精通 Python 设计模式——并发与异步模式
python·设计模式·编程语言
数据智能老司机22 分钟前
精通 Python 设计模式——测试模式
python·设计模式·架构
数据智能老司机22 分钟前
精通 Python 设计模式——性能模式
python·设计模式·架构
c8i32 分钟前
drf初步梳理
python·django
每日AI新事件32 分钟前
python的异步函数
python
这里有鱼汤2 小时前
miniQMT下载历史行情数据太慢怎么办?一招提速10倍!
前端·python
aneasystone本尊2 小时前
学习 Chat2Graph 的知识库服务
人工智能
IT_陈寒2 小时前
Redis 性能翻倍的 7 个冷门技巧,第 5 个大多数人都不知道!
前端·人工智能·后端
databook11 小时前
Manim实现脉冲闪烁特效
后端·python·动效
程序设计实验室11 小时前
2025年了,在 Django 之外,Python Web 框架还能怎么选?
python