1. 训练过程中的可视化

主要是监控训练的进度。

1.1. alive_progress

• 安装

pip install alive_progress

• 使用

from alive_progress import alive_bar
with alive_bar(num_epochs, theme='classic') as bar:
        for epoch in range(num_epochs):
        	...
        	bar()

• 效果
  
  

1.2. rich.progress

• 安装

pip install rich

• 使用

from rich.progress import track
for epoch in track(range(num_epochs)):
	...

• 效果：右边的时间在运行时显示剩余时间，运行结束显示消耗的总时间。
  
  

2. 训练结束后的可视化

主要原理是在运行过程中记录变量值、运行时间等信息到文件中，然后根据该文件绘制图表。

2.1. tensorboardX

2.1.1. 安装

pip install tensorboardX

VSCode集成了TensorBoard支持，不过事先要安装torch-tb-profiler，安装命令：

pip install torch-tb-profiler

安装完成后，在Python源文件中tensorboardX模块导入处，点击“启动TensorBoard会话”按钮，然后选择运行事件所在目录，默认选择当前目录即可，tensorboard会自动在当前目录查找运行事件，由此即可启动TensorBoard。开启TensorBoard页面后不要关闭，数据更新后，直接点击刷新按钮即可导入新数据。



此外，也可以通过以下命令在浏览器查看tensorboard可视化结果：

# logdir为运行事件所在目录
> tensorboard logdir=runs
TensorFlow installation not found - running with reduced feature set.
I1202 20:37:50.824767 15412 plugin.py:429] Monitor runs begin
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.14.0 at http://localhost:6006/ (Press CTRL+C to quit)
# 手动打开命令输出提供的本地服务器地址，如http://localhost:6006/

2.1.2. 使用

• 直接创建对象

from tensorboardX import SummaryWriter
writer = SummaryWriter()
# writer.add_scalar()：添加监控变量
writer.close()

• 使用上下文管理器

from tensorboardX import SummaryWriter
with SummaryWriter() as writer:
	# writer.add_scalar()：添加监控变量