![img](https://gitee.com/kkweishe/images1/raw/master/ML/wechat/model_log_logo.png)
### 1. Model Log 介绍
Model Log 是一款基于 Python3 的轻量级机器学习(Machine Learning)、深度学习(Deep Learning)模型训练评估指标可视化工具,与 TensorFlow、Pytorch、PaddlePaddle结合使用,可以记录模型训练过程当中的**超参数、Loss、Accuracy、Precision、F1值等,并以曲线图的形式进行展现对比**,轻松三步即可实现。
通过调节超参数的方式多次训练模型,并使用 Model Log 工具进行记录,可以很直观的进行模型对比,堪称调参神器。以下是使用工具后模型训练时 Loss 的变化曲线图。访问线上体验版:[http://mantchs.com/model_log.html](http://mantchs.com/model_log.html)
![img](https://gitee.com/kkweishe/images1/raw/master/ML/wechat/loss.gif)
通过上图可以很清晰的看出两个模型的训练效果,而且在表格当中高亮显示修改过的超参数,方便进行模型分析。
### 2. Model Log 特性
- 轻量级、无需任何配置、极简API、开箱即用。
- 只需要把模型的超参数和评估指标数据通过API添加即可,轻松三步即可实现。
- 高亮显示修改过的超参数,方便进行模型分析。
- 自动检测和获取正在训练的模型数据,并进行可视化,无需人工参与。
- 使用 SQLite 轻量级本地数据库存储,可供多个用户同时使用,保证每个用户看到的数据是独立的。
- 可视化组件采用 Echarts 框架,交互式曲线图设计,可清晰看到每个 epoch 周期的指标数据和变化趋势。
### 3. Model Log 演示地址
访问线上体验版:[http://mantchs.com/model_log.html](http://mantchs.com/model_log.html)
### 4. Model Log 安装
Python3 版本以上,通过 pip 进行安装即可。
```shell
pip install model-log
```
**注意**:若安装的过程中出现以下情况,说明 **model-log** 命令已经安装到Python下的bin目录中,如果直接输入 model-log 可能会出现 command not found,可以直接到bin目录下执行。
![img](https://gitee.com/kkweishe/images1/raw/master/ML/wechat/mistake.png)
### 5. Model Log 使用
#### 5.1 启动 web 端
Model Log 安装成功后,Linux、Mac用户直接终端输入以下命令,Windows用户在cmd窗口输入:
```shell
model-log
```
默认启动 **5432端口**,可以在启动命令上使用参数 **-p=5000** 指定端口号。若提示命令不存在,可以直接到Python/3.7/bin目录下执行。
启动后可在浏览器输入网址进入:http://127.0.0.1:5432
也可访问线上体验版:[http://mantchs.com/model_log.html](http://mantchs.com/model_log.html)
- web首页是项目列表,一个项目可以有多个模型,这些模型可以在曲线图中直观比较。
- web 端会自动检测是否有新模型开始训练,如果有,直接会跳转到相应的 loss 等评价指标页,同时会自动获取指标数据进行呈现。
- 可供多个用户使用,添加昵称即可,SQLite 轻量级本地数据库存储,保证每个用户看到的数据是独立的。
- 通过点击曲线图下方的图例,可切换不同模型的评估曲线。
![img](https://gitee.com/kkweishe/images1/raw/master/ML/wechat/tuli.png)
#### 5.2 Model Log API使用
轻松三步即可使用
1. **第一步**:先创建 ModelLog 类,并添加必要的属性
```python
from model_log.modellog import ModelLog
"""
:param nick_name: str,昵称,多人使用下可起到数据隔离。
:param project_name: str,项目名称。
:param project_remark: str,项目备注,默认为空。
项目名称如不存在会新建
"""
model_log = ModelLog(nick_name='mantch', project_name='demo实体识别', project_remark='')
"""
:param model_name: str,模型名称
"""
model_log.add_model_name(model_name='BILSTM_CRF模型')
"""
:param remark: str,模型备注
"""
model_log.add_model_remark(remark='模型备注')
"""
:param param_dict: dict,训练参数字典
:param param_type: str,参数类型,例如:TF参数、Word2Vec参数等。
"""
model_log.add_param(param_dict={'lr':0.01}, param_type='tf_param')
```
2. **第二步**:模型训练的每次 epoch (周期)可以添加评估指标数据,评估指标可以进行以下选择。
第一次调用该 API 时,会把以上设置的数据(模型名称、备注等)持久化到 SQLite 数据库,并且 web 端会自动获取评估指标数据进行图形化展示。
```python
"""
:param metric_name: str,评估指标名称,
可选择['train_loss', 'test_loss', 'train_acc', 'test_acc', 'train_recall', 'test_recall', 'train_precision', 'test_precision', 'train_F1', 'test_F1']
:param metric_value: float,评估指标数值。
:param epoch: int,训练周期
metric_name 参数只可以选择以上十种
第一次调用该 API 时,会把以上设置的数据(模型名称、备注等)持久化到 SQLite 数据库,并且 web 端会自动获取数据进行图形化展示。
可以在每个 epoch 周期的最后使用该 API 添加训练集和测试集的评估指标,web 端会自动获取该数据。
"""
model_log.add_metric(metric_name='train_loss', metric_value=4.5646, epoch=1)
```
3. **第三步**:模型训练完成后,可以添加最好的一次评估数据。
```python
"""
:param best_name: str,最佳评估指标名称,
:param best_value: float,最佳评估指标数值。
:param best_epoch: int,训练周期
添加当前模型训练中最佳的评估数据,一般放到模型训练的最后进行添加。
"""
model_log.add_best_result(best_name='best_loss', best_value=1.2122, best_epoch=30)
model_log.finish_model()
"""
关闭 SQLite 数据库连接
"""
model_log.close()
```
#### 5.3 Model Log 使用示例
MIST手写数字识别:[https://github.com/NLP-LOVE/Model_Log/blob/master/demo_TF_MIST.py](https://github.com/NLP-LOVE/Model_Log/blob/master/demo_TF_MIST.py)
![img](https://gitee.com/kkweishe/images1/raw/master/ML/wechat/QRcode.gif)
没有合适的资源?快使用搜索试试~ 我知道了~
Model Log 是一款基于 Python3 的轻量级机器学习、深度学习模型训练评估指标可视化工具.zip
共54个文件
png:16个
js:7个
py:5个
需积分: 0 0 下载量 40 浏览量
2024-01-14
12:01:10
上传
评论
收藏 1001KB ZIP 举报
温馨提示
Model Log 是一款基于 Python3 的轻量级机器学习(Machine Learning)、深度学习(Deep Learning)模型训练评估指标可视化工具,可以记录模型训练过程当中的超参数、Loss、Accuracy、Precision、F1值等
资源推荐
资源详情
资源评论
收起资源包目录
Model Log 是一款基于 Python3 的轻量级机器学习(Machine Learning)、深度学习(Deep Learning)模型训练评估指标可视化工具,可以记录模型训练过程当中的超参数、Loss、Accuracy、Precision、F1值等,并以曲线图的形….zip (54个子文件)
lern_2
setup.py 846B
.gitattributes 92B
LICENSE 11KB
model_log
__init__.py 10B
metric_list2.pkl 4KB
model_log.db 732KB
modellog_web.py 21KB
templates
model_detail.html 27KB
alert.html 17KB
index.html 16KB
metric_list1.pkl 2KB
modellog.py 8KB
init_db.sql 2KB
__pycache__
modellog_web.cpython-37.pyc 12KB
modellog.cpython-37.pyc 5KB
__init__.cpython-37.pyc 182B
static
js
app.js 4KB
amazeui.min.js 206KB
gsap.min.js 56KB
iscroll.js 52KB
echarts.min.js 762KB
jquery.min.js 82KB
script.js 2KB
i
startup-640x1096.png 9KB
app-icon72x72@2x.png 7KB
examples
landingPage.png 2KB
blogPage.png 3KB
admin-firefox.png 4KB
admin-chrome.png 4KB
loginPage.png 2KB
admin-opera.png 4KB
sidebarPage.png 2KB
adminPage.png 3KB
admin-safari.png 4KB
admin-ie.png 4KB
landing.png 4KB
favicon.png 2KB
img
logo.png 9KB
syncfusion-icons-white.png 5KB
css
style.css 4KB
bootstrap.min.css 138KB
admin.css 5KB
amazeui.min.css 249KB
app.css 38KB
fonts
FontAwesome.otf 122KB
fontawesome-webfont.eot 75KB
fontawesome-webfont.woff 88KB
fontawesome-webfont.woff2 70KB
fontawesome-webfont.ttf 149KB
tf_param.pkl 206B
demo_TF_MIST.py 5KB
MANIFEST.in 29B
.gitignore 2KB
README.md 6KB
共 54 条
- 1
资源评论
白话Learning
- 粉丝: 3343
- 资源: 2464
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于Typescript和PHP的编程知识储备库设计源码 - study-php
- Screenshot_2024-05-28-11-40-58-177_com.tencent.mm.jpg
- 基于Dart的Flutter小提琴调音器APP设计源码 - violinhelper
- 基于JavaScript和CSS的随寻订购网页设计源码 - web-order
- 基于MATLAB的声纹识别系统设计源码 - VoiceprintRecognition
- 基于Java的微服务插件集合设计源码 - wsy-plugins
- 基于Vue和微信小程序的监理日志系统设计源码 - supervisionLog
- 基于Java和LCN分布式事务框架的设计源码 - tx-lcn
- 基于Java和JavaScript的茶叶评级管理系统设计源码 - tea
- IMG_5680.JPG
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功