def plot_learning_curve(loss_record, title=''): ''' Plot learning curve of your DNN (train & dev loss) ''' total_steps = len(loss_record['train']) x_1 = range(total_steps) x_2 = x_1[::len(loss_record['train']) // len(loss_record['dev'])] figure(figsize=(6, 4)) plt.plot(x_1, loss_record['train'], c='tab:red', label='train') plt.plot(x_2, loss_record['dev'], c='tab:cyan', label='dev') plt.ylim(0.0, 5.) plt.xlabel('Training steps') plt.ylabel('MSE loss') plt.title('Learning curve of {}'.format(title)) plt.legend() plt.show()

这段代码定义了一个函数 plot_learning_curve()，用于绘制神经网络的学习曲线（训练集和验证集的损失变化）。

函数接受一个参数 loss_record，它是一个字典，包含了训练集和验证集的损失记录。loss_record['train'] 是训练集的损失记录，loss_record['dev'] 是验证集的损失记录。

在函数内部，首先计算总的训练步数 total_steps，即训练集的损失记录的长度。

然后，创建两个 x 轴的取值范围。x_1 表示训练集的步数范围，x_2 表示验证集的步数范围，它是通过取 x_1 中的部分步数来实现的。

接下来，使用 figure() 函数创建一个新的图形，并指定图形的尺寸为 6x4。

通过调用 plt.plot() 函数，分别绘制训练集的损失曲线和验证集的损失曲线。使用 c 参数指定线条的颜色，label 参数指定线条的标签。

使用 plt.ylim() 函数设置 y 轴的取值范围为 0.0 到 5.0。

使用 plt.xlabel() 和 plt.ylabel() 函数设置 x 轴和 y 轴的标签。

使用 plt.title() 函数设置图形的标题，其中 title 参数是传入的标题字符串。

使用 plt.legend() 函数显示图例。

最后，使用 plt.show() 函数显示绘制好的学习曲线图。

相关问题

def plot_learning_curve(train_loss, dev_loss, title='')

这是一个用于绘制学习曲线的函数。它接受两个参数train_loss和dev_loss，分别表示训练集和验证集的损失值。函数会根据训练步骤的数量来确定x轴的取值范围，并根据训练集的步骤数量和验证集的步骤数量来选择绘制验证集损失值的位置。函数会创建一个图形，并将训练集损失值和验证集损失值以不同的颜色绘制在图上。y轴表示损失值，x轴表示训练步骤的数量。图标题会根据传入的参数title来确定。最后，函数会显示图形。

def plot_learning_curve(train_loss, dev_loss, title=''): total_steps = len(train_loss) x_1 = range(total_steps) x_2 = x_1[::len(train_loss) // len(dev_loss)] plt.figure(1, figsize=(6, 4)) plt.plot(x_1, train_loss, c='tab:red', label='train') plt.plot(x_2, dev_loss, c='tab:cyan', label='dev') plt.ylim(0.0, 5.) plt.xlabel('Training steps') plt.ylabel('MSE loss') plt.title('Learning curve of {}'.format(title)) plt.legend() plt.show()

这是一个用于绘制学习曲线的函数。它接受两个参数train_loss和dev_loss，分别表示训练集和验证集的损失值。函数会根据训练步骤的数量来确定x轴的取值范围，并根据训练集的步骤数量和验证集的步骤数量来选择绘制验证集损失值的位置。函数会创建一个图形，并将训练集损失值和验证集损失值以不同的颜色绘制在图上。y轴表示均方误差（MSE）损失值，x轴表示训练步骤的数量。图标题会根据传入的参数title来确定。最后，函数会显示图形。