pytorch下tensorboard的使用程序示例

下面来简要讲解一下使用PyTorch下的TensorBoard的攻略。

第一步:安装PyTorch和TensorBoard

首先需要安装PyTorch和TensorBoard,在Python环境下通过以下命令安装:

pip install torch
pip install tensorboard

第二步:编写PyTorch模型代码

为了使用TensorBoard,需要添加一个Logger类来记录summary和图表的信息。假设我们要训练一个基础的神经网络用于对手写数字进行分类,下面是一个示例代码:

import torch
import torchvision
import torchvision.transforms as transforms

# 定义数据处理方式
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5,), (0.5,))])

# 获取训练集
trainset = torchvision.datasets.MNIST(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

# 定义神经网络
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = torch.nn.Conv2d(1, 6, 5)
        self.pool = torch.nn.MaxPool2d(2, 2)
        self.conv2 = torch.nn.Conv2d(6, 16, 5)
        self.fc1 = torch.nn.Linear(16 * 4 * 4, 120)
        self.fc2 = torch.nn.Linear(120, 84)
        self.fc3 = torch.nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(torch.nn.functional.relu(self.conv1(x)))
        x = self.pool(torch.nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)
        x = torch.nn.functional.relu(self.fc1(x))
        x = torch.nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练过程
for epoch in range(2):  # 训练两个epochs

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:  # 每2000个batch打印一次loss
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

第三步:使用TensorBoard记录训练过程

在训练过程中,可以使用TensorBoard记录训练过程并可视化训练状态。可以先在代码中添加如下段代码:

from torch.utils.tensorboard import SummaryWriter

# 创建SummaryWriter对象,log_dir为保存summary信息的路径
writer = SummaryWriter(log_dir='log')

然后,在训练过程中添加以下代码来记录训练状态:

    # 在记录之前,需要将数据从GPU中转移到CPU中
    images = inputs.cpu().numpy()
    images = (images * 0.5 + 0.5) # 将数据归一化
    writer.add_images('images', images, i)

    # 记录损失值
    writer.add_scalar('loss', loss.item(), i)

这样,TensorBoard就会将训练状态记录并保存在log目录中。

示例1:TensorBoard显示神经网络结构

我们可以通过TensorBoard将神经网络结构展示出来。在训练代码的下方添加如下代码:

# 将神经网络结构保存为图表
writer.add_graph(net, inputs)

运行代码后,可以在TensorBoard的SCALARS标签下查看网络结构。

示例2:TensorBoard显示学习率变化曲线

可以通过TensorBoard绘制学习率变化曲线。在训练代码的下方添加如下代码:

# 定义记录变化的标签
writer.add_scalar('Train/Learning_Rate', optimizer.param_groups[0]['lr'], i)

然后在TensorBoard的SCALARS标签下查看学习率变化曲线。

以上就是使用PyTorch下的TensorBoard的攻略,希望对你有所帮助。

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:pytorch下tensorboard的使用程序示例 - Python技术站

(0)
上一篇 2023年5月24日
下一篇 2023年5月24日

相关文章

  • Python Web框架Tornado运行和部署

    下面我来详细讲解一下Python Web框架Tornado的运行和部署攻略。 Tornado的部署 1.环境准备 安装Python3.x(如果已经安装,则忽略) 安装pip工具(如果已经安装,则忽略) 安装Tornado包 在安装Tornado包时可以使用以下命令: pip install tornado 2.编写Web应用代码 以下是一个示例的Tornad…

    人工智能概览 2023年5月25日
    00
  • vivo Z1值得买吗 vivo Z1全面详细评测

    vivo Z1值得买吗?vivo Z1全面详细评测 1. 外观设计 vivo Z1采用了流行的刘海屏设计,屏幕尺寸为6.26英寸,分辨率为1080P。屏幕显示效果出色,色彩鲜艳,视角宽广。整体外观设计简洁且具有时尚感,轻薄便携,手感舒适。后置双摄像头设计也使得手机整体更显高大上。 2. 性能 vivo Z1配备了4GB RAM + 64GB ROM的存储空间…

    人工智能概览 2023年5月25日
    00
  • win10安装tesserocr配置 Python使用tesserocr识别字母数字验证码

    下面是“win10安装tesserocr配置 Python使用tesserocr识别字母数字验证码”的完整攻略。 1. 安装 Tesseract-OCR 首先需要下载并安装 Tesseract-OCR,Tesseract-OCR 是一个开源 OCR(Optical Character Recognition)引擎,可识别超过100种语言,并支持多种操作系统。…

    人工智能概览 2023年5月25日
    00
  • django rest framework 数据的查找、过滤、排序的示例

    下面是关于 Django Rest Framework 的数据查找、过滤、排序示例的攻略: 1.准备工作 要使用Django Rest Framework进行数据查找、过滤和排序,需要做以下准备工作: 安装Django Rest Framework pip install djangorestframework 在项目的settings.py中安装DRF I…

    人工智能概览 2023年5月25日
    00
  • pytorch + visdom CNN处理自建图片数据集的方法

    对于使用PyTorch训练CNN的过程,一般情况下需要进行图片的预处理、数据集的加载,以及训练过程的可视化等步骤。其中,使用visdom进行训练过程的可视化非常方便,其支持的图形工具非常丰富。 下面,我们将围绕着“pytorch + visdom CNN处理自建图片数据集的方法”,从以下几个方面进行详细讲解。 1.数据集的准备 对于训练CNN所需的数据集,一…

    人工智能概论 2023年5月25日
    00
  • 常见的反爬虫urllib技术分享

    针对“常见的反爬虫urllib技术分享”的完整攻略,我以下进行详细讲解。 常见反爬虫技术 在进行反爬虫时,往往会采用以下一些技术: 1. User-Agent检测 User-Agent是每个请求头中都包含的部分,一些网站会根据User-Agent来判断请求是不是爬虫所发出的。常见的反爬代码如下: from urllib import request, err…

    人工智能概览 2023年5月25日
    00
  • 放弃 Python 转向 Go语言有人给出了 9 大理由

    “放弃 Python 转向 Go 语言有人给出了 9 大理由”的完整攻略 1. 引言 在近年来的编程语言领域中,Go 语言已经逐渐成为了一个备受关注的语言,吸引了许多程序员的关注和学习。而一些程序员也在持续地从其他语言转向 Go 语言,这其中就包括部分 Python 程序员。本文将介绍一些 Python 程序员放弃 Python 前往 Go 语言的原因。 2…

    人工智能概览 2023年5月25日
    00
  • Elasticsearch 在地理信息空间索引的探索和演进问题分析

    Elasticsearch 在地理信息空间索引的探索和演进问题分析 1. 地理信息空间索引的定义 地理信息空间索引是指将地理空间数据转化为统一的多维度索引结构,在该结构上进行数据的存储和查询。常见的地理信息空间索引有R树、Quadtree等。阿里巴巴的分布式搜索引擎Elasticsearch集成了地理信息空间索引功能,并针对之进行了优化。 2. Elasti…

    人工智能概论 2023年5月25日
    00
合作推广
合作推广
分享本页
返回顶部