【PyTorch】训练过程可视化

文章目录

[1. 训练过程中的可视化](#1. 训练过程中的可视化)
- [1.1. alive_progress](#1.1. alive_progress)
- [1.2. rich.progress](#1.2. rich.progress)
[2. 训练结束后的可视化](#2. 训练结束后的可视化)
- [2.1. tensorboardX](#2.1. tensorboardX)
- - [2.1.1. 安装](#2.1.1. 安装)
  - [2.1.2. 使用](#2.1.2. 使用)

1. 训练过程中的可视化

主要是监控训练的进度。

1.1. alive_progress

安装

bash 复制代码

pip install alive_progress

使用

python 复制代码

from alive_progress import alive_bar
with alive_bar(num_epochs, theme='classic') as bar:
        for epoch in range(num_epochs):
        	...
        	bar()

效果

1.2. rich.progress

安装

bash 复制代码

pip install rich

使用

python 复制代码

from rich.progress import track
for epoch in track(range(num_epochs)):
	...

效果：右边的时间在运行时显示剩余时间，运行结束显示消耗的总时间。

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

bash 复制代码

pip install tensorboardX

VSCode集成了TensorBoard支持，不过事先要安装torch-tb-profiler，安装命令：

bash 复制代码

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：

bash 复制代码

# 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

直接创建对象

python 复制代码

from tensorboardX import SummaryWriter
writer = SummaryWriter()
# writer.add_scalar()：添加监控变量
writer.close()

使用上下文管理器

python 复制代码

from tensorboardX import SummaryWriter
with SummaryWriter() as writer:
	# writer.add_scalar()：添加监控变量