pytorch训练模型时加log

部署运行你感兴趣的模型镜像

参考https://blog.youkuaiyun.com/hxxjxw/article/details/106155870

from torch.utils.tensorboard import SummaryWriter 
 
writer = SummaryWriter("results/logs")
 
for i in range(100):
    writer.add_scalar('y=2x',2*i,i)
 
writer.close()

writer.add_scalar中添加需要跟踪的变量的值,这里的i相当于epoch
上面的代码,会将log保存到``中,查看曲线,通过:

tensorboard --logdir "logs"
 
#想换端口的话
tensorboard --logdir "logs" --port=6007
#这种写法比--logdir=logs这种写法更好

还有通过add_graph查看网络结构图,以及通过add_histogram查看网络权值的分布

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库,基于 Torch 库,底层由 C++ 实现,应用于人工智能领域,如计算机视觉和自然语言处理

PyTorch中,我们可以使用Python自带的logging模块来保存模型训练过程的日志信息。首先,我们需要导入logging模块: ```python import logging ``` 然后,设置日志的级别以及日志的格式: ```python # 设置日志级别为INFO logging.basicConfig(level=logging.INFO) # 设置日志的格式 formatter = logging.Formatter('%(asctime)s - %(levelname)s - %(message)s') ``` 接下来,我们可以创建一个logger对象,并设置其相关属性,比如日志级别和格式: ```python # 创建logger对象 logger = logging.getLogger() # 设置日志级别为INFO logger.setLevel(logging.INFO) # 创建一个文件日志处理器,并将日志写入指定文件中 file_handler = logging.FileHandler('log.txt') file_handler.setLevel(logging.INFO) file_handler.setFormatter(formatter) # 创建一个控制台日志处理器,并将日志打印在控制台上 console_handler = logging.StreamHandler() console_handler.setLevel(logging.INFO) console_handler.setFormatter(formatter) # 将文件日志处理器和控制台日志处理器添logger对象中 logger.addHandler(file_handler) logger.addHandler(console_handler) ``` 最后,在模型训练的迭代过程中,我们可以使用logger对象来保存训练过程的日志信息: ```python # 模型训练过程中的日志信息 for epoch in range(num_epochs): # 模型训练代码 # ... # 保存日志信息 logger.info(f'Epoch: {epoch}') # 模型评估代码 # ... # 保存日志信息 logger.info(f'Evaluation: {evaluation_result}') ``` 这样,模型训练过程中的日志信息就会被保存在'log.txt'文件中,并且也会在控制台上进行打印。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值