Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
爱喝水的木子
pytorch-doc-zh
提交
96b15c61
P
pytorch-doc-zh
项目概览
爱喝水的木子
/
pytorch-doc-zh
与 Fork 源项目一致
Fork自
OpenDocCN / pytorch-doc-zh
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
pytorch-doc-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
未验证
提交
96b15c61
编写于
5月 14, 2020
作者:
Y
yearing1017
提交者:
GitHub
5月 14, 2020
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
修改部分术语用词 补充遗漏
上级
4dac5812
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
12 addition
and
10 deletion
+12
-10
docs/1.4/6.md
docs/1.4/6.md
+12
-10
未找到文件。
docs/1.4/6.md
浏览文件 @
96b15c61
...
...
@@ -2,21 +2,23 @@
> 原文: [https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html](https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html)
在
[
60 分钟闪电战
](
https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
)
中,我们向您展示了如何加载数据,如何通过定义为
`nn.Module`
子类的模型提供数据,如何在训练数据上训练该模型,以及在测试数据上对其进行测试。 为了了解发生的情况,我们在模型训练期间打印一些统计信息,以了解训练是否在进行中。 但是,我们可以做得更好:PyTorch 与 TensorBoard 集成,该工具旨在可视化神经网络训练运行的结果。 本教程使用
[
Fashion-MNIST 数据集
](
https://github.com/zalandoresearch/fashion-mnist
)
说明了其某些功能,可以使用 _torchvision.datasets_ 将其读取到 PyTorch 中。
> 校验者:[yearing1017](https://github.com/yearing1017)
在
[
60 分钟闪电战
](
https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
)
中,我们向您展示了如何加载数据,如何向定义为
`nn.Module`
子类的模型提供数据,如何在训练数据上训练该模型,以及在测试数据上对其进行测试。 为了了解发生的情况,我们在模型训练期间打印一些统计信息,以了解训练是否在进行中。 但是,我们可以做得更好:PyTorch 与 TensorBoard 集成,该工具旨在可视化神经网络训练运行的结果。 本教程使用
[
Fashion-MNIST 数据集
](
https://github.com/zalandoresearch/fashion-mnist
)
说明了其某些功能,可以使用 _torchvision.datasets_ 将其读取到 PyTorch 中。
在本教程中,我们将学习如何:
> 1. 读取数据并进行适当的转换(与先前的教程几乎相同)。
> 2. 设置 TensorBoard。
> 3.
编写
TensorBoard。
> 3.
写入
TensorBoard。
> 4. 使用 TensorBoard 检查模型架构。
> 5. 使用 TensorBoard 来创建我们在上一个教程中创建的可视化的替代版本,
并使用替代的代码
。
> 5. 使用 TensorBoard 来创建我们在上一个教程中创建的可视化的替代版本,
代码量更少
。
具体来说,在第 5 点,我们将看到:
> * 有两种检查训练数据的方法
> * 在训练模型时如何追踪其性能
> * 在训练后如何评估模型的性能。
> * 在训练
完成
后如何评估模型的性能。
我们将从
[
CIFAR-10 教程
](
https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html
)
中类似的样板代码开始:
...
...
@@ -141,7 +143,7 @@ writer.add_image('four_fashion_mnist_images', img_grid)
```
正
在运行
现
在运行
```
tensorboard --logdir=runs
...
...
@@ -206,11 +208,11 @@ writer.close()
![
intermediate/../../_static/img/tensorboard_projector.png
](
img/f4990a0920dff7e4647a23cfc1639a8a.jpg
)
现在我们已经彻底检查了我们的数据,
让我们展示了
TensorBoard 如何从训练开始就可以使跟踪模型的训练和评估更加清晰。
现在我们已经彻底检查了我们的数据,
接下来让我们展示
TensorBoard 如何从训练开始就可以使跟踪模型的训练和评估更加清晰。
## 5.使用 TensorBoard 跟踪模型训练
在前面的示例中,我们仅
_每 2000 次迭代打印_
该模型的运行损失。 现在,我们将运行损失记录到 TensorBoard 中,并通过
`plot_classes_preds`
函数查看模型所做的预测。
在前面的示例中,我们仅
每 2000 次迭代打印
该模型的运行损失。 现在,我们将运行损失记录到 TensorBoard 中,并通过
`plot_classes_preds`
函数查看模型所做的预测。
```
# helper functions
...
...
@@ -297,7 +299,7 @@ print('Finished Training')
![
intermediate/../../_static/img/tensorboard_images.png
](
img/d5ab1f07cb4a9d9200c2a2d3b238340d.jpg
)
在之前的教程中,我们研究了模型训练后的每类准确性; 在这里,我们将使用 TensorBoard 绘制每个类的精
确调用
曲线(很好的解释
[
在这里
](
https://www.scikit-yb.org/en/latest/api/classifier/prcurve.html
)
)。
在之前的教程中,我们研究了模型训练后的每类准确性; 在这里,我们将使用 TensorBoard 绘制每个类的精
度回召
曲线(很好的解释
[
在这里
](
https://www.scikit-yb.org/en/latest/api/classifier/prcurve.html
)
)。
## 6.使用 TensorBoard 评估经过训练的模型
...
...
@@ -341,8 +343,8 @@ for i in range(len(classes)):
```
现在,您将看到一个“ PR Curves”选项卡,其中包含每个类别的精
确调用
曲线。 继续戳一下; 您会发现在某些类别中,模型的“曲线下面积”接近 100%,而在另一些类别中,该面积更低:
现在,您将看到一个“ PR Curves”选项卡,其中包含每个类别的精
度回召
曲线。 继续戳一下; 您会发现在某些类别中,模型的“曲线下面积”接近 100%,而在另一些类别中,该面积更低:
![
intermediate/../../_static/img/tensorboard_pr_curves.png
](
img/d15de2be2b754f9a4f46418764232b5e.jpg
)
这是 TensorBoard 和 PyTorch 与之集成的介绍。 当然,您可以在 Jupyter Notebook 中完成 TensorBoard 所做的所有操作,但是使用 TensorBoard,默认情况下,您还可以获得交互式视觉效果。
\ No newline at end of file
这是 TensorBoard 和 PyTorch 与之集成的介绍。 当然,您可以在 Jupyter Notebook 中完成 TensorBoard 所做的所有操作,但是使用 TensorBoard,默认情况下,您还可以获得交互式视觉效果。
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录