### 在 PyCharm 中查看模型训练结果的可视化图片（包括损失函数 loss 和精度 acc） 在 PyCharm 中，可以通过多种方式查看模型训练过程中的可视化图片，包括损失函数 `loss` 和精度 `acc` 的变化曲线。以下是几种常见的方法： #### 1. **使用 TensorBoard 进行可视化** TensorBoard 是 TensorFlow 提供的强大工具，可以用于监控模型训练过程中的各种指标。通过记录 `train_loss`、`val_loss`、`accuracy` 等数据，可以在 TensorBoard 中生成可视化图表。 - **记录日志**：在训练过程中，使用 `tf.summary` 或 `torch.utils.tensorboard.SummaryWriter` 记录需要可视化的指标。 - **启动 TensorBoard**：运行以下命令以启动 TensorBoard[^2]： ```bash tensorboard --logdir=logs/ ``` - **访问网址**：在浏览器中访问 `http://localhost:6006`，即可查看训练过程中的损失函数和精度变化曲线[^2]。 ```python from torch.utils.tensorboard import SummaryWriter # 创建 SummaryWriter 对象 writer = SummaryWriter('logs') # 假设每个 epoch 结束后记录 loss 和 accuracy epoch = 0 train_loss = 0.5 val_loss = 0.4 accuracy = 0.8 writer.add_scalar('Loss/train', train_loss, epoch) writer.add_scalar('Loss/validation', val_loss, epoch) writer.add_scalar('Accuracy', accuracy, epoch) # 关闭 writer writer.close() ``` #### 2. **使用 Matplotlib 绘制混淆矩阵图** Matplotlib 是一个强大的绘图库，可以用来绘制混淆矩阵图，分析模型预测的错误率情况。通过混淆矩阵，可以更直观地了解模型的分类性能[^2]。 ```python import matplotlib.pyplot as plt import numpy as np import seaborn as sns # 示例混淆矩阵 conf_matrix = np.array([[15, 3, 0], [2, 10, 1], [0, 2, 16]]) # 使用 seaborn 绘制混淆矩阵 plt.figure(figsize=(8, 6)) sns.heatmap(conf_matrix, annot=True, fmt='d', cmap='Blues') plt.xlabel('Predicted Labels') plt.ylabel('True Labels') plt.title('Confusion Matrix') plt.show() ``` #### 3. **使用 Visdom 进行实时可视化** Visdom 是 Facebook 开发的一个可视化工具，支持实时更新训练过程中的指标变化。它允许用户通过 Web 界面查看训练过程中的损失函数和精度等信息[^3]。 - **安装 Visdom**：通过 pip 安装 Visdom 库。 - **启动服务器**：运行以下命令以启动 Visdom 服务器： ```bash python -m visdom.server ``` - **访问网址**：在浏览器中访问 `http://localhost:8097`，查看训练过程中的可视化图表。 ```python from visdom import Visdom # 初始化 Visdom 实例 viz = Visdom() # 假设每个 epoch 结束后记录 loss 和 accuracy epoch = 0 train_loss = 0.5 val_loss = 0.4 accuracy = 0.8 # 创建窗口并绘制曲线 viz.line([train_loss], [epoch], win='loss', opts=dict(title='Train Loss')) viz.line([val_loss], [epoch], win='loss', update='append', name='Val Loss') viz.line([accuracy], [epoch], win='accuracy', opts=dict(title='Accuracy')) ``` #### 4. **使用 wandb 进行实验跟踪** wandb 是一种流行的实验跟踪工具，支持多种深度学习框架，并提供直观的可视化界面。 - **初始化 wandb**：在训练脚本中初始化 wandb，并定义需要记录的参数[^4]。 - **记录指标**：在每个 epoch 结束后，将损失函数和精度等指标上传到 wandb。 - **查看结果**：登录 wandb 网站，查看训练过程中的可视化图表。 ```python import wandb # 初始化 wandb wandb.init(project="model_training", name='experiment_1', config={ "learning_rate": 0.001, "architecture": "CNN", "dataset": "Custom Dataset", "epochs": 50, }) # 假设每个 epoch 结束后记录 loss 和 accuracy for epoch in range(50): train_loss = 0.5 val_loss = 0.4 accuracy = 0.8 # 将指标记录到 wandb wandb.log({"train_loss": train_loss, "val_loss": val_loss, "accuracy": accuracy}) ``` ---