做的网站如何发布会,用笔记本做网站服务器,南京网站开发就业培训课程,php企业中英文网站源码TensorBoard 模块导入日志记录文件的创建训练中如何写入数据如何提取保存的数据调用TensorBoard面板可能会遇到的问题 模块导入
首先从torch中导入tensorboard的SummaryWriter日志记录模块
from torch.utils.tensorboard import SummaryWriter然后导入要用到的os库#xff0… TensorBoard 模块导入日志记录文件的创建训练中如何写入数据如何提取保存的数据调用TensorBoard面板可能会遇到的问题 模块导入
首先从torch中导入tensorboard的SummaryWriter日志记录模块
from torch.utils.tensorboard import SummaryWriter然后导入要用到的os库当然你们也要导入自己模型训练需要用到的库
import os日志记录文件的创建
import oslog_dir runs/EfficientNet_B3_experiment2# 检查目录是否存在
if os.path.exists(log_dir):# 如果目录存在获取目录下的所有文件和子目录列表files os.listdir(log_dir)# 遍历目录下的文件和子目录for file in files:# 拼接文件的完整路径file_path os.path.join(log_dir, file)# 判断是否为文件if os.path.isfile(file_path):# 如果是文件删除该文件os.remove(file_path)elif os.path.isdir(file_path):# 如果是目录递归地删除目录及其下的所有文件和子目录for root, dirs, files in os.walk(file_path, topdownFalse):for name in files:os.remove(os.path.join(root, name))for name in dirs:os.rmdir(os.path.join(root, name))os.rmdir(file_path)# 创建新的SummaryWriter
writer SummaryWriter(log_dir)这个代码会自动创建并更新日志文件目录请谨慎使用记得改 log_dir runs/EfficientNet_B3_experiment2路径名字小心把之前保存好的数据删除了 之后模型训练的数据将会写入到log_dir这个路径文件中在由TensorBoard张量板调用显示数据
训练中如何写入数据
for epoch in range(num_epochs):model.train()running_loss 0.0correct 0total 0start_time time.time()for images, labels in train_loader:images, labels images.to(device), labels.to(device)optimizer.zero_grad()outputs model(images)loss criterion(outputs, labels)loss.backward()optimizer.step()# 记录学习率current_lr optimizer.param_groups[0][lr]writer.add_scalar(Learning Rate, current_lr, epoch)# 记录梯度范数total_norm 0for p in model.parameters():param_norm p.grad.data.norm(2)total_norm param_norm.item() ** 2total_norm total_norm ** 0.5writer.add_scalar(Gradient Norm, total_norm, epoch)running_loss loss.item()_, predicted torch.max(outputs.data, 1)total labels.size(0)correct (predicted labels).sum().item()train_loss running_loss / len(train_loader)train_accuracy 100 * correct / total# 记录训练损失和准确率writer.add_scalar(Training Loss, train_loss, epoch)writer.add_scalar(Training Accuracy, train_accuracy, epoch)# 记录模型参数的直方图for name, param in model.named_parameters():writer.add_histogram(name, param, epoch)# 记录网络结构通常只需要记录一次if epoch 0:writer.add_graph(model, images.to(device))# 记录输入图片img_grid torchvision.utils.make_grid(images)writer.add_image(train_images, img_grid, epoch)# 使用matplotlib记录渲染的图片fig, ax plt.subplots()ax.plot(np.arange(len(labels)), labels.cpu().numpy(), b, labelTrue)ax.plot(np.arange(len(predicted)), predicted.cpu().numpy(), r, labelPredicted)ax.legend()writer.add_figure(predictions vs. actuals, fig, epoch)# 验证模型model.eval()val_loss 0.0correct 0total 0all_preds []all_labels []with torch.no_grad():for images, labels in test_loader:images, labels images.to(device), labels.to(device)outputs model(images)loss criterion(outputs, labels)val_loss loss.item()_, predicted torch.max(outputs.data, 1)all_preds.extend(predicted.cpu().numpy())all_labels.extend(labels.cpu().numpy())total labels.size(0)correct (predicted labels).sum().item()val_loss / len(test_loader)val_accuracy 100 * correct / totalif val_accuracy best_val_accuracy:# 当新的最佳验证准确率出现时保存模型状态字典best_val_accuracy val_accuracybest_model_state_dict model.state_dict()# 记录验证损失和准确率writer.add_scalar(Validation Loss, val_loss, epoch)writer.add_scalar(Validation Accuracy, val_accuracy, epoch)# 记录多条曲线writer.add_scalars(Loss, {train: train_loss, val: val_loss}, epoch)writer.add_scalars(Accuracy, {train: train_accuracy, val: val_accuracy}, epoch)# 打印每个epoch的训练和验证结果print(fEpoch [{epoch1}/{num_epochs}], fTrain Loss: {train_loss:.4f}, Train Accuracy: {train_accuracy:.2f}%, fValidation Loss: {val_loss:.4f}, Validation Accuracy: {val_accuracy:.2f}%, fTime: {time.time() - start_time:.2f}s)以上代码分别记录了
如何提取保存的数据调用TensorBoard面板
在终端输入以下代码
tensorboard --logdir修改为自己的log_dir路径然后点击 http://localhost:6006/就可以成功加载面板了
可能会遇到的问题
如果数据读取失败那么请检查数据路径是否正确 注意数据文件中不能有任何中文
