1. 训练过程中的可视化
1.1. alive_progress
pip install alive_progress
from alive_progress import alive_bar
with alive_bar(num_epochs, theme='classic') as bar:
for epoch in range(num_epochs):
...
bar()
1.2. rich.progress
pip install rich
from rich.progress import track
for epoch in track(range(num_epochs)):
...
2. 训练结束后的可视化
主要原理是在运行过程中记录变量值、运行时间等信息到文件中，然后根据该文件绘制图表。
2.1. tensorboardX
2.1.1. 安装
pip install tensorboardX
VSCode集成了TensorBoard支持，不过事先要安装torch–tb–profiler，安装命令：
pip install torch-tb-profiler
安装完成后，在Python源文件中tensorboardX模块导入处，点击“启动TensorBoard会话”按钮，然后选择运行事件所在目录，默认选择当前目录即可，tensorboard会自动在当前目录查找运行事件，由此即可启动TensorBoard。开启TensorBoard页面后不要关闭，数据更新后，直接点击刷新按钮即可导入新数据。
此外，也可以通过以下命令在浏览器查看tensorboard可视化结果：
# logdir为运行事件所在目录
> tensorboard logdir=runs
TensorFlow installation not found - running with reduced feature set.
I1202 20:37:50.824767 15412 plugin.py:429] Monitor runs begin
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.14.0 at http://localhost:6006/ (Press CTRL+C to quit)
# 手动打开命令输出提供的本地服务器地址，如http://localhost:6006/
2.1.2. 使用
from tensorboardX import SummaryWriter
writer = SummaryWriter()
# writer.add_scalar()：添加监控变量
writer.close()
from tensorboardX import SummaryWriter
with SummaryWriter() as writer:
# writer.add_scalar()：添加监控变量
原文地址:https://blog.csdn.net/weixin_45725295/article/details/134827100
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_50055.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
