方法：wandb.plot.line()

仅用几行代码即可在本地记录自定义线图——一对任意轴x和y上的一系列连接点/有序点（x, y）：

data = [[x, y] for (x, y) in zip(x_values, y_values)]
table = wandb.Table(data=data, columns = ["x", "y"])
wandb.log({"my_custom_plot_id" : wandb.plot.line(table,
                                 "x", "y", title="Custom Y vs X Line Plot")

你可以用这段代码记录所有的二维曲线。注意，如果你要绘制相互对应的两列值，两个列表中值的数量必须恰好匹配（例如，每个点都必须有一个x和一个y）。 

基本用法示例

我微调一个卷积神经网络来预测10类生物：植物、鸟类、昆虫等等。我要绘制二值化平均精度曲线（10个类都简化为一个二元的正/误标签）。在我的验证步骤中，我计算微平均精度并利用Sklearn回调，回调时遵循他们的多标签设置范例，从而产生两个相同长度的数组：precision_micro和recall_micro（可在本报告结尾查看详细信息）。我绘制的线图将用y轴表示precision_micro值，用x轴表示recall_micro值。

现在我就可以调用：

data = [[x, y] for (x, y) in zip(recall_micro, precision_micro)]
table = wandb.Table(data=data, columns = ["recall_micro", "precision_micro"])
wandb.log({"my_lineplot_id" : wandb.plot.line(table, "recall_micro", "precision_micro", stroke=None, title="Average Precision")})

按照以下步骤：

• 创建一个对象data：收集点并组成二维列表/数组，每一行是一个点，每一列是一个维度。这个线图呈现的是二维/两列，但你完全可以传入更多数据并进一步自定义图表。你还可以在wandb.plot.line()中使用stroke=自变量（可选），用来传入第三个字段，对应着线型（实线、虚线、点线……）或颜色。
• 将data传递给对象wandb.Table()，在这个对象中命名列，以便于之后引用这些列。
• 把对象table以及相同的x列名称和y列名称按顺序传入wandb.plot.line()，有个标题可选，这将在键my_lineplot_id之下创建自定义图表。为了在同一个图表上可视化多个运行项，则保持该图表键不变。提示：表格本身也会被记录到工作空间的“Media”（媒体）部分，在my_lineplot_id_table中。

自定义用法

利用Vega可视化语法，有多种方法自定义线图。

下面是几个简单的：

• 为了清晰起见，重命名轴标题：为encoding下面的字段x和y添加"title" : "Your Title"。
• 修改色谱以反映训练数据/周期的增加，曲线从紫色逐渐变为黄色：

        "color": {
          "type": "nominal",
          "field" : "name",
          "scale" : {"scheme" : "plasma"}
        }

在每个图表中，都可以平移并缩放以查看细节，并且悬停鼠标可查看点的详细信息（还可以修改显示信息！）。还能在右上方悬停鼠标并点击“眼睛”图标，即可查看定义图表的完整Vega参数。接口wandb.plot.line的定义在这里。

补充：计算多类模型的平均精度

要计算该项，你的代码要有权限获取：

• 模型对一系列样本的预测分数（val_predictions）；
• 这些样本对应的真实标签（ground_truth）。

from sklearn.metrics import precision_recall_curve
from sklearn.preprocessing import label_binarize

# generate binary correctness labels across classes
binary_ground_truth = label_binarize(ground_truth,
                                         classes=[0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# compute a PR curve with sklearn like you normally would
precision_micro, recall_micro, _ = precision_recall_curve(binary_ground_truth.ravel(),
                                                 val_predictions.ravel())

# now you can log these values to a custom chart!