Pytorch使用TensorBoard绘制Loss曲线——详细教程

原创 已于 2025-04-08 09:38:44 修改 · 1.4k 阅读 · 10 ·
CC 4.0 BY-SA版权
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。
文章标签：

#pytorch #人工智能 #python #深度学习

于 2024-08-30 15:59:18 首次发布

TensorBoard是一个机器学习数据可视化的工具，本人一般会使用TensorBoard去实时查看深度学习中loss曲线和学习率。

代码加入

首先在深度学习train代码里加入几句代码~
下面的代码是在每个epoch结束时记录训练损失，并将其写入到TensorBoard中以便于后续的可视化分析。

total_loss_np = Total_loss.detach().cpu().numpy()
            tem_loss.append(total_loss_np)
            # LOSS = np.append(total_loss_np)
            # #######################################################################################

            #from tensorboardX import SummaryWriter
            # 在epoch循环之前加入

            # 在epoch循环内最后一行加入
            # 可以加多行，即画多个图
        writer.add_scalar('loss / train_loss',np.mean(tem_loss) ,global_step=epoch)  # 表示在loss目录下画train_loss图，横坐标为epoch，纵坐标为train_loss

下面的代码是用来设置TensorBoard的记录目录的，其中tensorboard_dir变量定义了TensorBoard日志文件将要保存的位置，而SummaryWriter是来自torch.utils.tensorboard模块的一个类，用于写入事件文件，这样就可以在TensorBoard仪表板上查看训练过程中的各种指标。

tensorboard_dir = "/media/inspur/zhaoyn/deepclear_finetune_train/loss"
    writer = SummaryWriter(tensorboard_dir)  # tensorboard_dir是日志保存的位置

TensorBoard 安装

在命令终端使用pip安装即可：

pip install tensorboard

可以通过以下指令查看安装状态

tensorboard --help

TensorBoard 启动

在终端输入以下命令行启动

tensorboard --logdir /media/inspur/zhaoyn/deepclear_finetune_train/loss

注意
上面命令行里的路径需要修改为你自己的路径。这是log文件的上一个目录，也就是TensorBoard的log文件所在的目录。Tensorboard面板中展示的数据都来源于log文件，一般一次完整的运行生成一份log文件。

进入TensorBoard界面

TensorBoard 启动后，输出了一个网址，说明启动成功：

TensorBoard 2.8.0 at http://localhost:6006/ (Press CTRL+C to quit)

复制网址http://localhost:6006/，在浏览器中输入即可进入TensorBoard界面。

这样就可以在TensorBoard中看到训练损失随epoch变化的趋势图了~

YOLOv8训练完了，然后呢？别再手动截图了兄弟！
weixin_43199439的博客
05-18 72
如果你正在搞目标检测，千万别忽略可视化这一环节。论文图、毕业图、项目汇报，一张好图能救一整篇论文！
使用PyTorch进行深度学习-TensorBoard 可视化模型、数据和训练
qq_40379132的博客
05-10 2364
在之前的内容中， 已经展示了如何加载数据， 通过我们定义nn.Module的子类模型 , 在训练数据上训练该模型，并在测试数据上对其进行测试。 还打印出一些模型在训练过程中的统计数据以了解训练是否在进行中。 但是，PyTorch 与 TensorBoard可以做得更好，它是一种用于可视化神经网络训练运行结果的工具。 本次使用Fashion MNIST（使用 torchvision.datasets 导入 PyTorch ）数据集演示了它的一些功能。 读入数据并进行适当的转换（与之前的教程几乎相同）。 设
Pytorch从入门到放弃（7）——可视化模型训练过程中的loss变化
澎湃de家夥的博客
02-07 1万+
深度学习就像炼丹，一次模型的训练需要很长时间，任何人都无法做到一直盯着模型的训练。通常都是开启模型训练之后，只要不报错并且随着迭代次数的增加模型的loss在下降，这时我都会去干别的了让它跑去吧，第二天再来看我的丹炼的怎么样。这时怎么在一堆仙丹（经过一天的训练会保存许多模型的权重，每迭代多少个batch或每个epoch保存一次权重）中找到最好的那一个。如果盲目的取最后几次保存的，容易取到过拟合的模型...
深度学习——训练过程实时可视化损失函数走势（详细图文教程_附代码）
qq_40280673的博客
01-24 7178
深度学习训练过程实时可视化损失函数可以帮助我们更好地了解模型的训练情况，从而做出更合理的训练决策。
【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 1595
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",
【python】plt.plot() 函数绘制loss曲线
ting的博客
03-30 1万+
函数定义为plt.plot(*args, **kwargs)
pytorch绘制并显示loss曲线和acc曲线，LeNet5识别图像准确率
09-18
今天小编就为大家分享一篇pytorch绘制并显示loss曲线和acc曲线，LeNet5识别图像准确率，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
用tensorboard绘制简单的loss曲线图
xiaoyiAu的博客
08-17 835
源码是csdn大佬的minst手写数字识别，我在他的源码上学习如何绘制loss曲线。2tensor.item()可以将tensor的值作为标量返回。3循环语句配合 writer才能绘制出loss曲线图。1关注enumerate函数的使用。
Pytorch练习–绘制Loss曲线
12-21
绘制Loss曲线 b站课程链接：https://www.bilibili.com/video/BV1Y7411d7Ys?p=2 import绘制曲线的库和numpy库 import numpy as np import matplotlib.pyplot as plt # 画图库 设置数据 x_data = [1.0, 2.0, 3.0] y_data = [2.0, 4.0, 6.0] 定义模型 def forward(x): return x * w 定义Loss函数 def loss(x, y): y_pred = forward(x) return (y_pred
绘制loss/reward曲线的方法——基于TenserboardX
LENG_Lingliang的博客
05-15 2646
在使用 Pytorch 框架的时候，发现其并没有内置的比较完善并且简单易上手的可视化显示工具。而 TensorFlow 框架中有一个简单好用的 Tensorboard 可视化工具库，因此，有人对 Tensorboard 进行了封装后生成 TensorboardX ，就有了这个在 Pytorch 框架下简单易上手的可视化工具库。
pytorch 实现BP神经网络
leetteel
10-24 7650
# -*- coding: utf-8 -* import numpy as np import torch from torch import nn from torch.autograd import Variable from torch.utils.data import DataLoader import matplotlib.pyplot as plt x = [ [0, 0], [0, 1], [1, 0], [1, 1], ] y=[[0],
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
自学深度学习pytorch——Day3 Tensorboard
weixin_45417707的博客
06-15 551
TensorBoard 是一组用于数据可视化的工具。它包含在流行的开源机器学习库 Tensorflow 中。
python matplotlib 绘制训练曲线 综合示例——平滑处理、图题设置、图例设置、字体大小、线条样式、颜色设置
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
03-31 2392
matplotlib 绘制训练曲线 综合示例——平滑处理、图题设置、图例设置、字体大小、线条样式、颜色设置
tensorboard 数据降维分布图_PyTorch TensorBoard 可视化数据和模型训练过程
weixin_39553757的博客
12-19 618
在 60分钟闪电战 中，我们展示了如何加载数据，如何为我们定义为 nn.Module 的子类的模型提供数据， 如何在训练数据上训练此模型，并在测试数据上测试它。 为了了解发生了什么，我们打印了一些统计数据，因为模型正在训练，以了解训练是否在进步。 然而，我们可以做得更好：PyTorch与TensorBoard集成，TensorBoard是一个用来可视化神经网络训练结果的工具。 本教程使用 Fash...
PyTorch深度学习实战（18）—— 可视化工具
shangjg3的博客
08-18 376
同时，TensorBoard是一个相对独立的工具，只要用户保存的数据遵循相应的格式，TensorBoard就能读取这些数据，进行可视化。在PyTorch 1.1.0版本之后，PyTorch已经内置了TensorBoard的相关接口，用户在手动安装TensorBoard后便可调用相关接口进行数据的可视化，TensorBoard的主界面如下图所示。Visdom十分轻量级，支持非常丰富的功能，可以胜任大多数的科学运算可视化任务，它的可视化界面如下图所示。命令将服务放至后台运行。
Python绘制loss曲线、准确率曲线
热门推荐
WYKB_Mr_Q的博客
07-07 6万+
使用 python 绘制网络训练过程中的的 loss 曲线以及准确率变化曲线，这里的主要思想就时先把想要的损失值以及准确率值保存下来，保存到 .txt 文件中，待网络训练结束，我们再拿这存储的数据绘制各种曲线。其大致步骤为：数据读取与存储 - > loss曲线绘制 - > 准确率曲线绘制我们首先要得到训练时的数据，以损失值为例，网络每迭代一次都会产生相应的 loss，那么我们就把每一次的损失值都存储下来，存储到列表，保存到 .txt 文件中。保存的文件如下图所示： 上图为部分损失值，根据迭代次数而异，要是迭
pytorch学习（四）绘制loss和correct曲线
hero_heart的博客
07-17 723
这一次学习的时候静态绘制loss和correct曲线，也就是在模型训练完成后，对统计的数据进行绘制。以minist数据训练为例子。
日志pytorch
最新发布
03-08
### 如何在 PyTorch 中进行日志记录 #### 使用 Python 内置的日志模块 `logging` 为了监控模型训练，在 PyTorch 中可以利用 Python 的内置库 `logging` 来实现基本的日志功能。通过配置不同的级别，如 DEBUG、INFO、WARNING、ERROR 和 CRITICAL，可以根据需求调整输出的信息量。 ```python import logging logging.basicConfig(level=logging.INFO) def log_metrics(epoch, logs): logging.info(f"Epoch {epoch}: loss = {logs['loss']:.4f}, accuracy = {logs['accuracy']:.4f}") ``` 这段代码设置了日志等级为 INFO，并定义了一个名为 `log_metrics` 函数用于每轮迭代结束时记录损失(loss)和精度(accuracy)[^1]。 #### 利用 TensorBoard 进行高级可视化 除了简单的文本日志外，更推荐的方式是采用 TensorBoard 工具来进行复杂的性能指标跟踪以及数据可视化的操作。这不仅限于绘制曲线图展示 Loss 或 Accuracy 变化趋势，还可以查看网络结构等更多信息。 ```python from torch.utils.tensorboard import SummaryWriter writer = SummaryWriter(log_dir="./runs/experiment_1") for epoch in range(num_epochs): ... writer.add_scalar('Loss/train', running_loss / total_steps, epoch) writer.add_scalar('Accuracy/train', correct_predictions / total_samples, epoch) writer.close() ``` 这里创建了一个指向特定目录 (`./runs/experiment_1`) 的 Writer 对象实例；接着在一个典型的循环体内调用了 add_scalar 方法来存储不同阶段下的数值型变量；最后记得关闭 writer 以释放资源[^3]。 #### 结合 PyTorch-Lightning 自动化管理日志 当项目规模逐渐增大时，手动编写上述逻辑变得繁琐且容易出错。此时可考虑借助框架的力量简化流程——比如 PyTorch-Lightning 提供了一套完善的 API 接口帮助开发者轻松完成这一任务： ```python class MyModel(pl.LightningModule): ... def training_step(self, batch, batch_idx): output = self.forward(batch) loss = F.nll_loss(output, target) metrics = { 'train_loss': loss, 'train_acc': compute_accuracy(output, target), } # 记录到进度条与日志文件中 self.log_dict(metrics, prog_bar=True, logger=True) return {'loss': loss} ``` 在这个例子里面，只需要简单地调用 `self.log()` 或者 `self.log_dict()` 即可在不改变原有业务逻辑的前提下快速集成强大的日志特性[^2]。
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