如何绘制预训练/已保存训练模型的准确率曲线？训练后未绘图求助

先回答你的第一个问题：当然可以！ #

绘制预训练模型的准确率曲线分两种场景：

• 如果是你自己训练的预训练模型：只要你保存了训练过程中的指标日志（比如Keras的history对象，或者PyTorch里自己记录的日志文件），直接用这些数据就能画图；
• 如果是公开的预训练模型（比如Hugging Face的BERT、TorchVision的ResNet）：你需要准备对应的验证集/测试集，让模型在数据集上跑一遍，记录准确率数据后再绘图——如果想要类似训练过程的曲线，就得对预训练模型做微调，同时实时记录每轮的准确率。

重点解决你的第二个问题：训练后忘存曲线，仅保存了模型权重 #

这确实有点头疼，但能不能恢复要看你有没有留后手：

情况1：你保存了每个epoch的模型checkpoint（每轮训练完都存一个模型文件）

这是最理想的情况！你可以依次加载每个epoch的模型，在验证集上计算准确率，然后把这些数值连成曲线。以PyTorch为例，代码大概是这样：

import torch
import matplotlib.pyplot as plt
from torch.utils.data import DataLoader
# 替换成你自己的数据集类和模型结构
from my_code import MyDataset, MyModel

# 准备验证集（和训练时的预处理逻辑完全一致！）
val_dataset = MyDataset(...)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
acc_list = []
num_epochs = 10  # 替换成你实际训练的轮数

# 遍历每个epoch的checkpoint
for epoch in range(1, num_epochs + 1):
    # 初始化模型
    model = MyModel().to(device)
    # 加载对应epoch的权重
    checkpoint = torch.load(f"model_epoch_{epoch}.pth")
    model.load_state_dict(checkpoint["model_state_dict"])
    model.eval()
    
    # 计算验证集准确率
    correct = 0
    total = 0
    with torch.no_grad():
        for inputs, labels in val_loader:
            inputs, labels = inputs.to(device), labels.to(device)
            outputs = model(inputs)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    
    acc = correct / total
    acc_list.append(acc)
    print(f"Epoch {epoch} 验证准确率: {acc:.4f}")

# 绘制曲线
plt.figure(figsize=(8, 6))
plt.plot(range(1, num_epochs+1), acc_list, label="Validation Accuracy")
plt.xlabel("Epoch")
plt.ylabel("Accuracy")
plt.title("模型验证准确率曲线")
plt.legend()
plt.show()

如果用Keras，思路是一样的：加载每个epoch保存的模型，用model.evaluate()计算准确率，再收集数据绘图。

情况2：只保存了最终的模型权重，没有任何训练日志或checkpoint

很遗憾，这种情况下你无法恢复训练过程中的准确率曲线——因为训练时每轮的准确率是实时计算并临时存储的，没保存的话就彻底丢失了。

不过你还有两个选择：

1. 用最终模型在验证集/测试集上得到一个单一的准确率数值；
2. 从加载的模型开始，继续训练一小段时间，同时记录新的准确率（但这不是你原来8小时训练的曲线，只是后续训练的）。

给你的小提醒 #

以后训练模型时，一定要记得同时保存：

• 训练过程的指标日志（比如Keras用np.save('history.npy', history.history)，PyTorch可以用logging模块把每轮的acc/loss写到文件里）；
• 每个epoch的模型checkpoint（哪怕最终只保留最优模型，中间的checkpoint在需要复盘时非常有用）。

内容的提问来源于stack exchange，提问作者Poopin Mah Business