-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathloss_plot.py
46 lines (37 loc) · 8.08 KB
/
loss_plot.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
data = pd.read_csv("train_def.csv")
train_loss = data['encoder_mse'].values
data2 = pd.read_csv("validation.csv")
#val_loss = data2['blocking_loss'].values
data3 = pd.read_csv("validation.csv")
val_blocking = data3['encoder_mse'].values
datast1 = pd.read_csv("train_mse.csv")
train_loss1 = datast1['blocking_loss'].values
train_los1 = datast1['encoder_mse'].values
datast2 = pd.read_csv("train_sl1.csv")
train_loss2 = datast2['blocking_loss'].values
train_los2 = datast2['encoder_mse'].values
datast3 = pd.read_csv("train_wmse.csv")
train_loss3 = datast3['blocking_loss'].values
train_los3 = datast3['encoder_mse'].values
#plt.plot(train_loss, label='train loss')
#plt.plot(val_loss, label='validation loss')
#plt.plot(train_los1,label ='encoder value' )
#plt.plot(train_loss1,'k', label='blocking loss mse')
#plt.plot(train_los2,label ='encoder value' )
#plt.plot(train_loss2, label='blocking loss sl1')
plt.plot(train_los3,label ='encoder value' )
plt.plot(train_loss3,'r', label='blocking loss wmse')
plt.xlabel('epoch')
plt.ylabel('Value')
plt.title("encoder value and train loss")
plt.legend()
plt.show()
#[0.09192838541666667, 0.09429296875000001, 0.09308007812500005, 0.0915598958333333, 0.092787109375, 0.09673046874999994, 0.09548372395833336, 0.0934635416666666, 0.09404492187499994, 0.09369986979166664, 0.094548828125, 0.09452148437499999, 0.09348567708333333, 0.09420247395833331, 0.09353450520833329, 0.09373046874999998, 0.0943294270833334, 0.09441080729166668, 0.09360026041666672, 0.09594205729166666, 0.09334765624999995, 0.09588411458333337, 0.09436848958333337, 0.09526953125000003, 0.09432617187499998, 0.09427083333333333, 0.09440559895833334, 0.0942278645833334, 0.09509179687499998, 0.09348437500000002, 0.09482356770833339, 0.09495052083333332, 0.0930891927083333, 0.09482356770833336, 0.0943483072916666, 0.09473242187499994, 0.0934524739583333, 0.0937356770833333, 0.09456510416666665, 0.09388932291666666, 0.09403776041666664, 0.09459960937500002, 0.09408593750000001, 0.09245768229166666, 0.09398958333333335, 0.0946627604166667, 0.09434049479166666, 0.09419010416666666, 0.09459505208333335, 0.09367708333333331, 0.0942682291666667, 0.09453776041666659, 0.09503906250000002, 0.09419205729166667, 0.09405143229166667, 0.09477929687500002, 0.09257226562500002, 0.09460156249999996, 0.09401562499999996, 0.09436914062500004]
#boss def[0.044084635416666684, 0.04552408854166666, 0.04753450520833332, 0.04625846354166666, 0.04695442708333334, 0.04884830729166667, 0.04636328125000001, 0.04428710937500001, 0.04582031250000001, 0.045225260416666684, 0.04580859375, 0.045597005208333326, 0.045345703125000004, 0.044688802083333326, 0.045195963541666676, 0.045658203125000026, 0.04547265625000001, 0.047441406250000005, 0.04636393229166667, 0.04443294270833332, 0.046110677083333315, 0.045906249999999996, 0.04702083333333334, 0.044942708333333345, 0.04608203125000004, 0.04446158854166668, 0.045622395833333336, 0.04606119791666667, 0.04560742187499999, 0.04539518229166668, 0.04528125, 0.04682421875000003, 0.04543033854166667, 0.045971354166666666, 0.04773372395833332, 0.046075520833333335, 0.045005208333333345, 0.04553645833333334, 0.04535611979166666, 0.04830273437500001, 0.04571549479166669, 0.045886718749999986, 0.046029947916666675, 0.045716796875, 0.046374348958333346, 0.04524283854166667, 0.045509765624999976, 0.04649218750000001, 0.04469986979166667, 0.046395833333333324, 0.04669856770833335, 0.04625260416666668, 0.04869401041666665, 0.046225260416666684, 0.04552213541666666, 0.04806315104166666, 0.04604817708333334, 0.04634700520833332, 0.04807356770833333, 0.045499999999999985]
#boss up [4.4692708333333355, 4.551822916666666, 4.530924479166666, 4.738802083333334, 4.728710937500001, 4.836067708333334, 4.782552083333334, 4.660872395833333, 4.572916666666668, 4.649674479166666, 4.624283854166668, 4.6339192708333306, 4.633138020833336, 4.310872395833334, 4.571679687499999, 4.497721354166667, 4.475520833333335, 4.558463541666666, 4.589778645833333, 4.423437500000001, 4.529557291666668, 4.518424479166664, 4.247265625000002, 4.142057291666667, 4.4802734375, 4.5445312499999995, 4.416992187499999, 4.561067708333332, 4.321549479166667, 4.3555989583333306, 4.641861979166666, 4.523893229166667, 4.532421875000001, 4.573567708333333, 4.534960937500001, 4.676888020833335, 4.510416666666664, 4.472395833333334, 4.53671875, 4.557226562499999, 4.563020833333332, 4.532031250000005, 4.6783203124999995, 4.478776041666667, 4.597786458333332, 4.76171875, 4.951041666666669, 4.843554687499999, 4.973177083333331, 4.807421874999999, 4.869140625, 4.856575520833334, 4.772330729166667, 4.778515624999999, 4.8128906250000005, 4.929622395833334, 4.75, 4.777473958333331, 4.78971354166667, 4.788411458333334]
#mse [0.08393489583333329, 0.09378971354166667, 0.09258463541666669, 0.09601302083333331, 0.09175781250000001, 0.09176302083333336, 0.09218880208333335, 0.09265820312500002, 0.09263216145833325, 0.08896223958333328, 0.09009244791666667, 0.0920260416666667, 0.09198893229166666, 0.09172265625, 0.09031575520833333, 0.0965299479166667, 0.09400585937499996, 0.0965279947916666, 0.09558203125000002, 0.09550000000000002, 0.09464778645833329, 0.0954270833333333, 0.09478580729166673, 0.0936015625, 0.09487109375000002, 0.09512109375000001, 0.09669856770833338, 0.09428776041666673, 0.09616210937499997, 0.09574674479166666, 0.09422265625000005, 0.09428385416666671, 0.09367968750000001, 0.09477213541666668, 0.0971927083333333, 0.09867382812499993, 0.09628385416666671, 0.09642317708333327, 0.09938411458333332, 0.09548567708333339, 0.09490624999999997, 0.0969876302083333, 0.09660026041666664, 0.09638736979166669, 0.09433984375, 0.09447591145833334, 0.09484895833333333, 0.09592708333333332, 0.0949609375, 0.09569791666666659, 0.09352669270833337, 0.09363932291666661, 0.0948385416666667, 0.09437109375000002, 0.09426888020833338, 0.0941595052083334, 0.09415755208333333, 0.093966796875, 0.09629361979166674, 0.095666015625]
#mse [0.08441015625000002, 0.09438606770833331, 0.09058007812500005, 0.10049999999999999, 0.09587044270833332, 0.09857226562499997, 0.09841471354166668, 0.09676627604166667, 0.09144986979166665, 0.09705989583333331, 0.09264973958333336, 0.09540950520833334, 0.09479492187499995, 0.10165885416666669, 0.09663085937500002, 0.09856575520833336, 0.09555664062499998, 0.09896940104166667, 0.09656770833333338, 0.09689322916666669, 0.09546549479166669, 0.09915820312500001, 0.09890039062500001, 0.09742057291666666, 0.10116601562500006, 0.09812955729166668, 0.09832682291666665, 0.09573242187499997, 0.09554361979166667, 0.11851236979166668, 0.09665755208333333, 0.09972916666666666, 0.09477148437500008, 0.09681835937500002, 0.09536197916666665, 0.09674804687500006, 0.09669140624999999, 0.098140625, 0.09412044270833328, 0.09719401041666667, 0.09467122395833336, 0.09494596354166668, 0.10320898437499998, 0.09580794270833336, 0.10110807291666664, 0.09436588541666668, 0.09628645833333332, 0.0962994791666667, 0.09534700520833336, 0.09506770833333335, 0.094623046875, 0.09533007812500005, 0.0959440104166667, 0.09568164062500005, 0.10063541666666662, 0.09292513020833333, 0.09568033854166663, 0.09471028645833329, 0.09714908854166664, 0.09844531249999998]
#focal [0.0941471354166667, 0.09466796875000001, 0.09356640625000003, 0.09422395833333337, 0.09271484374999998, 0.09330729166666667, 0.09340559895833336, 0.09406575520833334, 0.09457096354166668, 0.09500651041666668, 0.09548111979166665, 0.09491080729166665, 0.0939765625, 0.0940423177083333, 0.09335026041666666, 0.09603255208333336, 0.09413085937500001, 0.0955716145833333, 0.09424283854166667, 0.09325130208333332, 0.0955930989583333, 0.09399348958333334, 0.09465820312500002, 0.09420833333333332, 0.09414388020833332, 0.09479557291666664, 0.09466666666666669, 0.09445052083333332, 0.09423763020833328, 0.09428450520833331, 0.0938151041666667, 0.09448632812500002, 0.09486393229166669, 0.09449674479166664, 0.09421093749999995, 0.09361783854166665, 0.09417903645833334, 0.09357096354166662, 0.09269791666666667, 0.09395572916666665, 0.09404036458333334, 0.09548111979166664, 0.09476171874999999, 0.09495442708333332, 0.09410937499999995, 0.09454427083333333, 0.09467513020833332]