pytorch使用tensorboard

原创已于 2022-02-22 16:34:40 修改 · 464 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch

于 2022-02-18 17:02:07 首次发布

模型专栏收录该内容

5 篇文章

订阅专栏

这篇博客介绍了如何使用TensorboardX在PyTorch中记录训练过程中的损失(loss)信息，包括如何安装、调用库以及如何在训练过程中添加scalar数据。通过封装log_writer，可以方便地记录训练状态，如loss、梯度范数和学习率等。此外，还展示了如何添加模型图，并提供了查看tensorboard的命令。

……

1、安装

pip install tensorboardX

2、调用

1） loss

from tensorboardX import SummaryWriter

# before train
log_writer = SummaryWriter('log_file_path')

# in training
log_writer.add_scalar('Train/Loss', loss.data[0], niter) 
# in pytorch1.0 loss.data[0] should be loss.item()

niter = epoch * len(train_loader) + i
writer.add_scalars(args.result_path + 'Train_val_loss', {args.result_path+'train_loss': loss.data.item()}, niter)
#其中，add_scalars是将不同得变量添加到同一个图下，
#图的名称是add_scalars得第一个变量，然后为这个图中不同得曲线添加不同得标题，后面得dict中得key是曲线的名称，后面的value是对应得append的值，再后面得niter是x坐标，
#代码含义：对于图名称为args.result_path + 'Train_val_loss'的图，对曲线名称为args.result_path+'train_loss'添加新的点，这个点为（niter, loss.data.item()）

#封装
log_writer = Tacotron2Logger('log_file_path')
log_writer.log_training(self, reduced_loss, grad_norm, learning_rate, duration, iteration)

2）模型model

    with SummaryWriter(comment='MobileV2') as w:
        print("success")
        w.add_graph(model, input)

3、查看

网页查看，这个就回到tensorboard一样的操作了。
tensorboard --logdir=./log_file_path --port=8765
log_file_path 是初始化log_writer时候的那个参数地址。
这里端口号可以随意改，默认是6006。

然后命令行会告诉你在浏览器输入 ip:8765进行查看，这个和tensorboard一样了就。