File size: 3,407 Bytes
2aee49a | 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 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 | import json
import matplotlib.pyplot as plt
import os
def plot_training_history():
logs_dir = 'logs'
if not os.path.exists(logs_dir):
print("❌ Không tìm thấy thư mục logs. Hãy train model trước!")
return
models = ['small', 'medium', 'large']
histories = {}
for m in models:
path = os.path.join(logs_dir, f'history_{m}.json')
if os.path.exists(path):
with open(path, 'r', encoding='utf-8') as f:
histories[m] = json.load(f)
if not histories:
print("❌ Không tìm thấy file lịch sử nào (history_*.json).")
return
# Khởi tạo khung hình lớn (15x10 inches) chứa 4 biểu đồ phụ
fig, axs = plt.subplots(2, 2, figsize=(16, 10))
fig.suptitle('Biểu Đồ Đánh Giá Khả Năng Học Của Các Mô Hình Transformer', fontsize=18, fontweight='bold', y=0.98)
# Màu sắc cho từng mô hình
colors = {'small': '#1f77b4', 'medium': '#ff7f0e', 'large': '#2ca02c'}
# 1. Biểu đồ Validation Loss (So sánh khả năng suy luận)
ax = axs[0, 0]
for m, h in histories.items():
ax.plot(h['val_loss'], label=m.upper(), color=colors[m], linewidth=2)
ax.set_title('Validation Loss (Càng thấp càng tốt)', fontsize=12)
ax.set_xlabel('Epochs')
ax.set_ylabel('Loss')
ax.grid(True, linestyle='--', alpha=0.6)
ax.legend()
# 2. Biểu đồ Validation Accuracy (So sánh độ chính xác)
ax = axs[0, 1]
for m, h in histories.items():
ax.plot(h['val_acc'], label=m.upper(), color=colors[m], linewidth=2)
ax.set_title('Validation Accuracy (%) (Càng cao càng tốt)', fontsize=12)
ax.set_xlabel('Epochs')
ax.set_ylabel('Accuracy (%)')
ax.grid(True, linestyle='--', alpha=0.6)
ax.legend()
# 3. Biểu đồ Train Loss vs Val Loss (Kiểm tra Học Vẹt - Overfitting)
ax = axs[1, 0]
for m, h in histories.items():
# Chỉ vẽ nét đứt cho Train Loss, nét liền cho Val Loss để dễ phân biệt
ax.plot(h['train_loss'], linestyle=':', color=colors[m], alpha=0.7)
ax.plot(h['val_loss'], label=f'{m.upper()} (Val)', color=colors[m], linewidth=2)
ax.set_title('Train Loss (nét đứt) vs Val Loss (nét liền)\nKhoảng cách quá xa = Học vẹt', fontsize=12)
ax.set_xlabel('Epochs')
ax.set_ylabel('Loss')
ax.grid(True, linestyle='--', alpha=0.6)
ax.legend()
# 4. Biểu đồ Learning Rate
ax = axs[1, 1]
for m, h in histories.items():
if 'lr' in h:
ax.plot(h['lr'], label=m.upper(), color=colors[m], linewidth=2)
ax.set_title('Learning Rate (Tốc độ học theo chu kỳ)', fontsize=12)
ax.set_xlabel('Epochs')
ax.set_ylabel('Learning Rate')
ax.grid(True, linestyle='--', alpha=0.6)
ax.legend()
plt.tight_layout(rect=[0, 0, 1, 0.95])
# Lưu file ảnh độ phân giải cao
save_path = os.path.join(logs_dir, 'training_comparison_plot.png')
plt.savefig(save_path, dpi=300)
print(f"\n✅ Đã tạo thành công biểu đồ so sánh!")
print(f"👉 File ảnh được lưu tại: {save_path}")
# plt.show() # Tắt show() để không lỗi khi chạy trên Colab
if __name__ == "__main__":
plot_training_history()
|