일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
Tags
- dann paper
- shrinkmatch
- BYOL
- 백준 알고리즘
- Pix2Pix
- 딥러닝손실함수
- ConMatch
- Pseudo Label
- adamatch paper
- remixmatch paper
- UnderstandingDeepLearning
- cifar100-c
- semi supervised learnin 가정
- CoMatch
- shrinkmatch paper
- WGAN
- simclrv2
- mme paper
- CGAN
- Meta Pseudo Labels
- GAN
- CycleGAN
- Entropy Minimization
- dcgan
- conjugate pseudo label paper
- SSL
- tent paper
- 컴퓨터구조
- mocov3
- 최린컴퓨터구조
Archives
- Today
- Total
Hello Computer Vision
[matplotlib] tensorboard 여러 지표 저장하기, 지표 색깔 지정하기 본문
우선 직관적으로 코드만 보여주면 다음과 같다.
layout = {'Loss' :{
'loss':['Multiline', ['loss/label', 'loss/unlabel', 'loss/unlabel_c', 'loss/aux']]
}}
writer.add_custom_scalars(layout)
이렇게 layout을 저장하고
writer.add_scalar('loss/label', Lx, epoch+1)
writer.add_scalar('loss/unlabel', Lu, epoch + 1)
writer.add_scalar('loss/unlabel_c', Lu_c, epoch + 1)
writer.add_scalar('loss/aux', Laux, epoch + 1)
값들을 다음과 같이 저장하면 된다. 그리고 tensorboard 에 들어가면 custom scalar 를 따로 볼 수 있다.
여러 loss값들을 뽑아서 tensorboard 에서 시각화해면
아쉽게도 tensorboard에서는 각 지표마다 색깔을 지정할 수 있는 방법이 없었다.
그래서 따로 데이터들을 csv 파일로 저장하고 matplolib을 사용해 시각화해보았다.
plt.plot(step, label, label = 'label', color = 'green')
plt.plot(step, unlabel, label = 'unlabel', color = 'red')
plt.plot(step, unlabel_c, label = 'unlabel_c', color = (1, 0.8, 0))
plt.plot(step, aux, label = 'aux', color = "CornflowerBlue")
plt.legend()
코드는 위와 같다.
csv파일을 불러오고 원하는 값들, x축에 해당하는 값들을 넣어주면 된다. 물론 이렇게 하지 않고
plt.plot(step, label, step, unlabel, step, unlabel_c, step, aux)
plt.legend()
이런 식으로 한번에 불러올 수는 있지만 해당 방법은 legend를 사용해도 어떤 지표인지 알 수 없다는 것이 단점이다.
'딥러닝' 카테고리의 다른 글
비전공생의 Auxiliary Tasks in Multi-task Learning (0) | 2023.12.14 |
---|---|
비전공생의 GradNorm(2018) 논문리뷰 (0) | 2023.12.14 |
UnderstandingDeepLearning-Deep neural networks (0) | 2023.09.20 |
UnderstandingDeepLearning-Shallow neural networks (0) | 2023.09.20 |
Understanding DeepLearning-Supervised learning (0) | 2023.09.19 |