PyTorch学习记录二——tensorboard

1介绍

2使用

  • 安装与启动
pip install tensorboard
tensorboard --logdir=path/to/your/logdir  

命令行启动tensorboard,参数指定的是tensorboard应该读取的日志文件夹路径,从这个文件中读取训练过程中生成的日志文件,从而实现可视化。
运行上述命令后,TensorBoard会在本地启动一个Web服务,通常默认监听6006端口。你可以通过浏览器访问以下地址来查看TensorBoard的可视化界面:
http://localhost:6006

  • SummaryWriter提供tensorboard的可视化入口。
from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter()

3源码大纲

class torch.utils.tensorboard.writer.SummaryWriter()
	__init__()
	add_scalar()  # 添加标量数据
	add_scalars()
	add_histogram()  # 直方图
	add_image()  # 添加图像数据,需要用pillow包(from PIL import Image)
	add_images()
	add_figure()  # matplotlib
	add_video()  # moviepy
	add_audio()
	add_text()
	add_graph()
	add_embedding()
	add_pr_curve()  # 添加精确率-召回率曲线
	add_custom_scalars()
	add_mesh()
	add_hparams()
	flush()
	close()

4使用注意事项

https://blog.youkuaiyun.com/u012010729/article/details/104330444
在使用命令tensorboard --logdir=logs时,要cd到logs文件夹的上层文件夹。
在这里插入图片描述
在这里插入图片描述
点开链接后,变成下方图示。有编码报错,应该是路径中有中文或者非下划线的字符。但是我不是这种情况,还是显示如下。
https://blog.youkuaiyun.com/bulletstart/article/details/134931659
在这里插入图片描述

### PyTorch深度学习数据挖掘实例教程 #### 使用PyTorch进行鸢尾花分类 在处理经典的数据挖掘任务——鸢尾花分类时,可以利用`PyTorch`构建神经网络模型来完成多类别分类的任务。此过程不仅涉及到了基础的机器学习概念,还展示了如何通过自定义`Dataset`类读取并预处理数据[^1]。 ```python from sklearn.datasets import load_iris import torch from torch.utils.data import Dataset, DataLoader import numpy as np class IrisDataset(Dataset): """Iris dataset.""" def __init__(self, transform=None): iris = load_iris() self.X = iris['data'] self.y = iris['target'] self.transform = transform def __len__(self): return len(self.X) def __getitem__(self, idx): sample = {'features': self.X[idx], 'label': int(self.y[idx])} if self.transform: sample = self.transform(sample) return sample def collate_fn(batch): features = [] labels = [] for b in batch: features.append(b['features']) labels.append(b['label']) features = torch.tensor(features).float() labels = torch.tensor(labels) return (features, labels) dataset = IrisDataset() dataloader = DataLoader(dataset=dataset, batch_size=4, shuffle=True, num_workers=0, collate_fn=collate_fn) ``` 上述代码片段创建了一个名为`IrisDataset`的新类继承于`torch.utils.data.Dataset`抽象基类,并实现了两个必需的方法:获取长度(`__len__()`)和索引访问(`__getitem__()`)。这使得该对象可以直接用于迭代器操作或传递给`DataLoader`以支持批量加载等功能。 对于想要深入探索更多实际应用场景的学习者,《PyTorch深度学习项目实战100例》提供了丰富的资源和支持材料,适合那些希望快速上手并掌握使用真实世界中的数据集建立复杂模型技巧的人群[^2]。 此外,在训练过程中记录实验参数变化趋势是非常重要的环节之一;为此官方推荐采用TensorBoard作为辅助工具来进行可视化分析工作。安装配置好之后便可以通过简单的几行Python语句开启日志追踪服务[^3]: ```python writer = SummaryWriter('runs/iris_experiment') for i_batch, data in enumerate(dataloader): inputs, classes = data writer.add_scalar('Loss/train', loss.item(), n_iter) ... writer.close() ``` 以上就是关于如何运用PyTorch框架开展简单而有效的数据挖掘工作的介绍。
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