一个空间两个网站,外贸稳中提质韧性强,万网域名管理,qq手机版1.Tensorboard 2.Tensorboard的使用
导入tensorboard并创建SummaryWriter 添加标量数据 添加图片数据 直方图 模型可视化 3.代码使用
模型可视化
# 记录模型结构
dummy_input torch.randn(1, 3, 224, 224).to(device) # 根据你的模型输入尺寸调整
writer.add_graph(model…1.Tensorboard 2.Tensorboard的使用
导入tensorboard并创建SummaryWriter 添加标量数据 添加图片数据 直方图 模型可视化 3.代码使用
模型可视化
# 记录模型结构
dummy_input torch.randn(1, 3, 224, 224).to(device) # 根据你的模型输入尺寸调整
writer.add_graph(model, dummy_input)
训练loss
for epoch in range(num_epochs):# 训练train_loss train(model, train_loader, criterion, optimizer, device)# 验证val_loss validate(model, val_loader, criterion, device)# 记录训练和验证的损失值到TensorBoardwriter.add_scalar(Training Loss, train_loss, epoch)writer.add_scalar(Validation Loss, val_loss, epoch)print(fEpoch [{epoch1}/{num_epochs}], Training Loss: {train_loss:.4f}, Validation Loss: {val_loss:.4f})print(Finished Training)# 关闭SummaryWriter
writer.close() 模型数据分布
for name, param in model.named_parameters():writer.add_histogram(name, param.clone().cpu().data.numpy(), epoch)writer.add_histogram(f{name}.grad, param.grad.clone().cpu().data.numpy(), epoch)
