在服务器上远程使用tensorboard查看训练loss和准确率

最新推荐文章于 2024-12-10 14:56:07 发布
最新推荐文章于 2024-12-10 14:56:07 发布
阅读量1.4k 收藏 5
点赞数 3
分类专栏： Pytorch训练技巧 文章标签： tensorflow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_43402775/article/details/114049599
版权
这篇博客介绍了如何在VSCode中利用Tensorboard记录和展示训练过程中的损失数据。作者通过导入`SummaryWriter`，在每个迭代周期记录训练损失，并指定日志保存路径为 './logs'。训练完成后，通过命令行启动Tensorboard，使用'--logdir'参数指向日志文件夹，即可在浏览器中查看可视化的损失变化趋势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本人使用的是vscode 很简单

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter('./logs')

writer.add_scalar('train_loss',loss.val(),iteration) # 名字，数据，迭代次数

训练的过程中会产生一个./logs的文件夹，里面存放的是保存的训练loss数据，

然后在命令行运行

tensorboard --logdir './logs'

在这里插入图片描述

从零开始大模型开发与微调：tensorboardX可视化组件的使用
AI天才研究院
08-04 876
从零开始大模型开发与微调：tensorboardX可视化组件的使用 1.背景介绍 在深度学习模型的开发与训练过程中,可视化是一个非常重要的环节。通过可视化,我们可以直观地观察模型训练的进展情况,包括损失函数的变化趋势、准确率的提升等关键指标。这对于调试模型、
利用Tensorboard进行可视化
空字符
06-28 983
真是出来混迟早是要还的，之前一直拒绝学习Tensorboard，因为实在是有替代方案，直到发现到了不得不用的地步。下面主要介绍一下怎么使用Tensorboard来可视化参数，损失以及准确率等变量。 1.可视化计算图 下面是一个单层网络的手写体分类示例： import tensorflow as tf from tensorflow.examples.tutorials.mnist import i...
自建服务器搭建与训练 AI 模型全攻略
开源低代码平台-Microi吾码-框架C#.NET8 + Vue3
12-10 2380
利用训练集数据输入模型进行训练，在深度学习框架中，通过定义损失函数（如交叉熵损失）和优化器（如 Adam 优化器），使用循环迭代方式，在每个训练批次（batch）中计算损失并更新模型参数。还可采用模型集成技术，将多个训练好的模型进行组合，如加权平均或投票方式，提升模型整体性能与泛化能力。通过精心准备服务器硬件与环境、用心处理数据集、合理搭建与训练模型以及严谨评估与优化，能逐步构建出高性能的 AI 模型，为个人的 AI 探索、科研创新或业务应用开发提供有力支持，助力在人工智能领域不断深入挖掘与创新。
【学习笔记】pytorch 使用 tensorboardX进行 准确度 loss 以及 accuracy 准确度动态可视化
KaelCui的博客
05-18 1568
版本信息： python 3.7 pytorch 1.5.0 tensorflow-gpu 2.1.0 tensorboard 1.6.0 [tensorflow 与 tensorboard版本匹配] 需要安装的包 pip install tensorboard pip install tensorboard_logger 示例代码如下： from tensorboard_logger import Logger logger = Logger(logdir="./tensorboard_logs",
用tensorboard查看模型的损失和准确率
zzjxx_的博客
04-07 944
这样就可以看到每个epoch的损失率和准确率了。
Tensorflow1学习-4 tensorboard可视化准确率、损失和权重分布
Coding_WZP的博客
03-04 1468
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #载入数据 mnist = input_data.read_data_sets('./MNIST_data', one_hot=True) #每个批次的大小 batch_size = 50 #计算一共多少个批次 n_batch = mnist.train.num_examples // batch_size #参数概要 def varia
远程服务器端使用TensorBoard查看Loss
weixin_44806146的博客
09-02 906
使用TensorBoard查看远程服务器上的模型Loss
TensorFlow 使用tensorboard进行手写数字识别准确率的图像化显示
小鹏AI
06-22 856
手写数字识别程序 本文基于上面这篇文章，将打印出的损失函数值和预测值进行图像化的显示 实现的步骤 在张量中定义一个汇总的张量 self.precise_summary = tf.summary.scalar('precise',self.precise) self.loss_summary = tf.summary.scalar("loss",self.loss) 在训练中定义一个filewriter（指明计算图） writer = tf.summary.FileWriter(cfg.logdir, se
pytorch 绘制多个算法loss_pytorch tensorboard在本地和远程服务器使用，两条loss曲线画一个图上...
weixin_39723010的博客
01-13 1746
一. 安装包pytorch版本最好大于1.1.0。查看PyTorch版本的命令为torch.__version__tensorboard若没有的话，可用命令conda install tensorboard安装，也可以用命令pip install tensorboard安装。注意：tensorboard可以直接实现可视化，不需要安装TensorFlow；tensorboard和tensorboar...
keras自定义回调函数查看训练的loss和accuracy方式
12-17
在Keras中，`model.fit()`是训练模型的主要方法，它允许我们在训练过程中监控各种指标，如损失(loss)和准确率(accuracy)。有两种主要方式来获取这些指标：通过返回的`history`对象或自定义回调函数(Callbacks)。 **...
利用Tensorboard绘制网络识别准确率和loss曲线实例
09-17
今天小编就为大家分享一篇利用Tensorboard绘制网络识别准确率和loss曲线实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
tensowflow 训练 远程提交_tf.saved_model.save模型导出、TensorFlow Serving模型部署、TensorBoard中的HParams 超参数调优...
weixin_32753181的博客
01-12 800
日萌社人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新)4.11 综合案例：模型导出与部署学习目标目标掌握TensorFlow模型的导出(saved_model格式)掌握Tensorflow模型的部署掌握TensorFlow模型的客户端调用掌握TensorFlow模型的超参数调优使用应用无4.11.1 TensorFl...
如何在keras中，查看其训练loss值
qq_37640545的博客
04-02 7709
想要查看每次训练模型后的 loss 值变化需要如下操作 1.loss_value= [ ] 2.self.history = model.fit(state,target_f,epochs=1, batch_size =32） 3.b = abs(float(self.history.history[‘loss’][0])) 4.loss_value.append(b) print(loss_va...
tensorboard查看训练中的loss,acc等
qq_35037684的博客
08-26 2118
tensorboard
tensorboard 查看loss损失
不负如来不负卿
05-15 3479
深度学习在训练中loss损失具体如何变化的，怎么在web端能够查看呢？ tensorflow官网给了我们一个工具，这个工具叫tensorboard，执行如下命令： tensorboard --logdir=/log --port=8008 其中， /log是指代码中的log日志保存目录，8008是指端口号。 那么就可以在web端查看loss变化: ip:8008 ...
如何使用tensorboard监控loss的变化？
qq_44732653的博客
05-23 2001
如何使用tensorboard监控loss的变化？ 1.安装tensorboard并执行下面语句 from torch.utils.tensorboard import SummaryWriter summaryWriter = SummaryWriter("logs/log1") # 将生成的loss记录文件保存在logs/log1 summaryWriter.add_scalar("loss",loss.item(),var/1000) # A “loss”为曲线名
服务器远程训练,远程服务器 Linux 用cityscape训练DeepLabv3模型（Pytorch版）
weixin_31325725的博客
07-30 349
参考https://blog.youkuaiyun.com/qq_45389690/article/details/111591713?utm_medium=distribute.pc_relevant_download.none-task-blog-baidujs-2.nonecase&depth_1-utm_source=distribute.pc_relevant_download.none-t...
python的self.boardx -= 5 什么意思_pytorch使用tensorboardX进行loss可视化实例
weixin_39732825的博客
12-10 234
最近pytorch出了visdom，也没有怎么去研究它，主要是觉得tensorboardX已经够用，而且用起来也十分的简单pip install tensorboardX然后在代码里导入from tensorboardX import SummaryWriter然后声明一下自己将loss写到哪个路径下面writer = SummaryWriter('./log')然后就可以愉快的写loss到你得这...
使用电脑连接远程服务器训练
Hi海底的博客
04-02 2981
mobexterm 登录 使用服务器训练模型详解_艾醒的博客-优快云博客_服务器训练模型 阿里云使用笔记（一）：从零开始配置阿里云GPU服务器训练深度学习模型_Bamboo竹的博客-优快云博客_阿里云深度学习 su root目录 sudo liu cat/etc/passwd 文件是用户的配置文件。 //查看几个用户 安装清华源 sudo wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anacon...
深度学习的可视化结果怎么做
最新发布
03-12
### 实现深度学习模型训练过程和结果可视化的工具与方法 #### 使用 TensorBoard 进行训练过程可视化 TensorBoard 是一种强大的可视化工具，能够帮助监控并理解 TensorFlow 和 PyTorch 训练过程中的各项指标。通过集成到训练脚本中，可以在本地或远程服务器上启动 TensorBoard 服务，查看损失函数随时间的变化情况以及准确度等其他重要参数的发展趋势[^1]。 对于想要监测是否存在过拟合现象的情况，可以通过 TensorBoard 绘制损失值曲线图来进行判断；同样地，为了评估模型的表现，也可以利用该平台生成的准确率图表作为参考依据。这使得开发者能够在早期阶段发现潜在问题，并据此调整超参数设置或其他配置选项以优化最终成果。 ```python from torch.utils.tensorboard import SummaryWriter writer = SummaryWriter('runs/experiment_1') for epoch in range(num_epochs): train_loss = ... val_accuracy = ... writer.add_scalar('Loss/train', train_loss, epoch) writer.add_scalar('Accuracy/validation', val_accuracy, epoch) writer.close() ``` #### YOLOv8 的最佳模型保存机制及其可视化特性 当涉及到特定框架如YOLOv8的目标检测任务时，“best.pt” 文件代表了在整个训练周期里，在验证数据集上取得最优成绩的那个时刻所对应的网络权重状态。每当一轮迭代结束之后，如果当前版本优于之前记录的最佳版本，则会自动更新此文件的内容[^2]。 除了上述提到的功能外，YOLOv8还提供了混淆矩阵图像（`confusion_matrix_normalized.png`, `confusion_matrix.png`），这些图形化展示可以帮助更深入地解析分类错误模式，从而为进一步改进算法提供有价值的线索。 #### 结合多种方式增强可解释性和调试效率 综合运用以上两种途径以及其他可能存在的辅助手段（比如梯度流分析、特征映射热力图构建等等），可以极大地提高开发人员对整个建模流程的理解程度，进而加快解决问题的速度并促进创新思维的发展。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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