livelossplot

别再蒙着眼睛训练深度学习模型了！急不可耐地看看你每一轮的训练吧！

(最近更新, Colab 示例, API 查阅, 源码)

一个用于 Jupyter Notebook 的实时训练损失图，适用于 Keras、PyTorch 等框架。由 Piotr Migdał、Bartłomiej Olechno 及其他贡献者开发的开源 Python 包。欢迎合作！（有些任务简单到只需编写代码文档字符串，所以——没有借口啦！:)）

from livelossplot import PlotLossesKeras

model.fit(X_train, Y_train,
          epochs=10,
          validation_data=(X_test, Y_test),
          callbacks=[PlotLossesKeras()],
          verbose=0)

• （最常问的）问题：为什么不用 TensorBoard？
• 答：因为 Jupyter Notebook 兼容性更好（适合探索和教学），而且使用起来非常简单。

安装

要从 PyPI 安装当前版本，请输入：

pip install livelossplot

若想获取本仓库中的最新版本（请注意我们目前处于 Alpha 阶段，可能会频繁更新），请输入：

pip install git+git://github.com/stared/livelossplot.git

示例

查看包含完整可用示例的笔记本文件：

• keras.ipynb — Keras 回调函数
• minimal.ipynb — 纯 API，可在任何地方使用
• script.py — 可作为脚本运行，执行 python script.py
• bokeh.ipynb — 纯 API，使用 Bokeh 绘图（在 Colab 中打开以查看图表）
• pytorch.ipynb — 应用于 PyTorch 的纯 API
• 2d_prediction_maps.ipynb — 自定义绘图示例：二维预测图（0.4.1 及以上版本）
• poutyne.ipynb — Poutyne 回调函数（Poutyne 是一个类似 Keras 的 PyTorch 框架）
• torchbearer.ipynb — 使用 torchbearer 内置功能的示例（torchbearer 是一个用于 PyTorch 的模型拟合库）
• neptune.py 和 neptune.ipynb — 与 Neptune.AI 集成
• matplotlib.ipynb — Matplotlib 输出示例
• various_options.ipynb — 扩展 API，支持指标分组和自定义输出

你可以在 Colab 中运行这些示例。

概述

文本日志虽然方便，但很容易错过最关键的信息：模型是在学习、原地踏步，还是过拟合了？视觉反馈能帮助我们更好地跟踪训练过程。现在，Jupyter 用户也有这样的工具了。

如果你想更专业一些，可以使用 TensorBoard。但如果你只是想在 Jupyter Notebook 中训练一个小模型呢？那就用 livelossplot 作为即插即用的组件吧。

from livelossplot import ...

PlotLosses 提供通用 API。

plotlosses = PlotLosses()
plotlosses.update({'acc': 0.7, 'val_acc': 0.4, 'loss': 0.9, 'val_loss': 1.1})
plotlosses.send()  # 绘制图表、更新日志等

针对常见库和框架，还提供了回调函数：PlotLossesKeras、PlotLossesKerasTF、PlotLossesPoutyne、PlotLossesIgnite。

欢迎你编写并贡献自己的适配器。如果需要使用纯日志记录器，可以使用 MainLogger。

from livelossplot.outputs import ...

绘图工具：MatplotlibPlot、BokehPlot。

日志记录器：ExtremaPrinter（输出到标准输出）、TensorboardLogger、TensorboardTFLogger、NeptuneLogger。

要使用它们，只需在初始化 PlotLosses 时指定输出即可：

plotlosses = PlotLosses(outputs=[MatplotlibPlot(), TensorboardLogger()])

livelossplot.outputs.matplotlib_subplots 中包含自定义的 Matplotlib 图表，可以直接传递给 MatplotlibPlot。

如果你更喜欢用 Bokeh 而不是 Matplotlib 来绘图，可以这样设置：

plotlosses = PlotLosses(outputs=[BokehPlot()])

赞助者

本项目得到了 Jacek Migdał、Marek Cichy、Casper da Costa-Luis 和 Piotr Zientara 的支持。加入赞助者行列——用你的爱心和支持点亮自己，并出现在名单上！这将为我投入时间和精力继续推进该项目提供保障。

此外，本项目还获得了欧洲 智能发展行动计划 的资助，用于 ECC Games 牵头的 GearShift 项目——基于虚幻引擎平台的人工智能算法构建轮式机动车行为引擎及地图生成，该项目属于 NCBR 的 GameINN 资助计划。

小知识

最初，它只是一个 Gist。由于这个 Gist 受到欢迎，我便决定将其重写为一个独立的软件包。

顺便一提，我对数据可视化一直很感兴趣，可以看看 复杂神经网络的简易图示（以及深度学习架构图的综述）：

一张好的图表胜过千言万语——让我们创造更多这样的图表吧！

或者访问我的其他数据可视化项目：p.migdal.pl/projects/。

待办事项

如果你希望增加更多功能，请提交一个 Issue，更好的方式是直接准备并提交一个 Pull Request。

livelossplot 快速上手指南

livelossplot 是一个专为 Jupyter Notebook 设计的 Python 库，用于在深度学习训练过程中实时绘制损失（Loss）和准确率（Accuracy）曲线。它支持 Keras、PyTorch 等主流框架，让你无需等待训练结束即可直观监控模型状态，避免“盲训”。

环境准备

• 操作系统：Windows / macOS / Linux
• Python 版本：兼容 Python 3.x
• 前置依赖：
  • Jupyter Notebook 或 JupyterLab（推荐用于最佳可视化体验）
  • 深度学习框架（如 tensorflow/keras 或 pytorch，根据实际需求安装）
  • 绘图后端：默认依赖 matplotlib，也可选装 bokeh

安装步骤

推荐使用 pip 进行安装。国内用户可使用清华或阿里云镜像源加速下载。

标准安装（PyPI）：

pip install livelossplot

国内加速安装（推荐）：

pip install livelossplot -i https://pypi.tuna.tsinghua.edu.cn/simple

安装最新开发版（可选）： 如果需要体验最新功能（可能包含不稳定更新），可从 GitHub 安装：

pip install git+git://github.com/stared/livelossplot.git

基本使用

场景一：Keras / TensorFlow 用户（最简单用法）

只需将 PlotLossesKeras 作为回调函数传入 model.fit 即可。

from livelossplot import PlotLossesKeras

model.fit(X_train, Y_train,
          epochs=10,
          validation_data=(X_test, Y_test),
          callbacks=[PlotLossesKeras()],
          verbose=0)

注：设置 verbose=0 可隐藏默认的文本日志，使 Notebook 界面更清爽。

场景二：通用 API（适用于 PyTorch 或其他框架）

对于非 Keras 框架，可以使用通用的 PlotLosses 接口，在训练循环中手动更新数据。

from livelossplot import PlotLosses

# 初始化绘图对象
plotlosses = PlotLosses()

# 模拟训练循环
for epoch in range(10):
    # ... 此处执行你的训练代码 ...
    
    # 假设获取到了当前的指标
    logs = {
        'acc': 0.7 + epoch * 0.02, 
        'val_acc': 0.4 + epoch * 0.03, 
        'loss': 0.9 - epoch * 0.05, 
        'val_loss': 1.1 - epoch * 0.04
    }
    
    # 更新数据并绘制
    plotlosses.update(logs)
    plotlosses.send()

在 Jupyter Notebook 中运行上述代码后，每个 epoch 结束时都会自动刷新显示最新的训练曲线图。