1. Model Log 介紹
Model Log 是一款基于 Python3 的輕量級機器學習(Machine Learning)、深度學習(Deep Learning)模型訓練評估指標可視化工具，與 TensorFlow、Pytorch、PaddlePaddle結合使用，可以記錄模型訓練程序當中的超引數、Loss、Accuracy、Precision、F1值等，并以曲線圖的形式進行展現對比，輕松三步即可實作，
GitHub專案地址：https://github.com/NLP-LOVE/Model_Log
通過調節超引數的方式多次訓練模型，并使用 Model Log 工具進行記錄，可以很直觀的進行模型對比，堪稱調參神器，以下是使用工具后模型訓練時 Loss 的變化曲線圖，訪問線上體驗版：http://mantchs.com/model_log.html
通過上圖可以很清晰的看出兩個模型的訓練效果，而且在表格當中高亮顯示修改過的超引數，方便進行模型分析，
2. Model Log 特性
- 輕量級、無需任何配置、極簡API、開箱即用，
- 只需要把模型的超引數和評估指標資料通過API添加即可，輕松三步即可實作，
- 高亮顯示修改過的超引數，方便進行模型分析，
- 自動檢測和獲取正在訓練的模型資料，并進行可視化，無需人工參與，
- 使用 SQLite 輕量級本地資料庫存盤，可供多個用戶同時使用，保證每個用戶看到的資料是獨立的，
- 可視化組件采用 Echarts 框架，互動式曲線圖設計，可清晰看到每個 epoch 周期的指標資料和變化趨勢，
3. Model Log 演示地址
訪問線上體驗版：http://mantchs.com/model_log.html
4. Model Log 安裝
Python3 版本以上，通過 pip 進行安裝即可，
pip install model-log
注意：若安裝的程序中出現以下情況，說明 model-log 命令已經安裝到Python下的bin目錄中，如果直接輸入 model-log 可能會出現 command not found，可以直接到bin目錄下執行，
5. Model Log 使用
5.1 啟動 web 端
Model Log 安裝成功后，Linux、Mac用戶直接終端輸入以下命令，Windows用戶在cmd視窗輸入：
model-log
默認啟動 5432埠，可以在啟動命令上使用引數 -p=5000 指定埠號，若提示命令不存在，可以直接到Python/3.7/bin目錄下執行，
啟動后可在瀏覽器輸入網址進入：http://127.0.0.1:5432
也可訪問線上體驗版：http://mantchs.com/model_log.html
-
web首頁是專案串列，一個專案可以有多個模型，這些模型可以在曲線圖中直觀比較，
-
web 端會自動檢測是否有新模型開始訓練，如果有，直接會跳轉到相應的 loss 等評價指標頁，同時會自動獲取指標資料進行呈現，
-
可供多個用戶使用，添加昵稱即可，SQLite 輕量級本地資料庫存盤，保證每個用戶看到的資料是獨立的，
-
通過點擊曲線圖下方的圖例，可切換不同模型的評估曲線，
5.2 Model Log API使用
輕松三步即可使用
-
第一步：先創建 ModelLog 類，并添加必要的屬性
from model_log.modellog import ModelLog """ :param nick_name: str，昵稱，多人使用下可起到資料隔離， :param project_name: str，專案名稱， :param project_remark: str，專案備注，默認為空， 專案名稱如不存在會新建 """ model_log = ModelLog(nick_name='mantch', project_name='demo物體識別', project_remark='') """ :param model_name: str，模型名稱 """ model_log.add_model_name(model_name='BILSTM_CRF模型') """ :param remark: str，模型備注 """ model_log.add_model_remark(remark='模型備注') """ :param param_dict: dict，訓練引數字典 :param param_type: str，引數型別，例如：TF引數、Word2Vec引數等， """ model_log.add_param(param_dict={'lr':0.01}, param_type='tf_param') -
第二步：模型訓練的每次 epoch (周期)可以添加評估指標資料，評估指標可以進行以下選擇，
第一次呼叫該 API 時，會把以上設定的資料(模型名稱、備注等)持久化到 SQLite 資料庫，并且 web 端會自動獲取評估指標資料進行圖形化展示，
""" :param metric_name: str，評估指標名稱， 可選擇['train_loss', 'test_loss', 'test_acc', 'test_recall', 'test_precision', 'test_F1'] :param metric_value: float，評估指標數值， :param epoch: int，訓練周期 metric_name 引數只可以選擇以上六種 第一次呼叫該 API 時，會把以上設定的資料(模型名稱、備注等)持久化到 SQLite 資料庫，并且 web 端會自動獲取資料進行圖形化展示， 可以在每個 epoch 周期的最后使用該 API 添加訓練集和測驗集的評估指標，web 端會自動獲取該資料， """ model_log.add_metric(metric_name='train_loss', metric_value=https://www.cnblogs.com/mantch/p/4.5646, epoch=1) -
第三步：模型訓練完成后，可以添加最好的一次評估資料，
""" :param best_name: str，最佳評估指標名稱， :param best_value: float，最佳評估指標數值， :param best_epoch: int，訓練周期 添加當前模型訓練中最佳的評估資料，一般放到模型訓練的最后進行添加， """ model_log.add_best_result(best_name='best_loss', best_value=https://www.cnblogs.com/mantch/p/1.2122, best_epoch=30) """ 關閉 SQLite 資料庫連接 """ model_log.close()
5.3 Model Log 使用示例
MIST手寫數字識別：https://github.com/NLP-LOVE/Model_Log/blob/master/demo_TF_MIST.py
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/10839.html
標籤：其他