Очень похоже на PyCrayon n00b, так что не ненавидьте меня за неполную информацию * глоток * 👀

PyTorch сейчас на 🔥. Но если вам тепло и уютно, завернувшись в _2 _ // _ 3_ одеяло, и вы не хотите выбегать на холод, то на то есть веская причина (и о да, зима здесь 🐲). Один большой плюс в том, чтобы придерживаться лагеря TF, - это встроенная интеграция с Tensorboard (ну, если быть полностью честным, Keras только недавно Tensorboard полюбил).

Сотрудник недавно познакомил меня с Pycrayon 🖍 как средством интеграции PyTorch и Tensorboard 😳. Наконец-то я попытался это сделать. Оказывается, невероятно легко настроить и построить скалярные потери и гистограммы. AFAIK, вы пока не можете использовать расширенное встраивание или сетевую визуализацию DAG, но

Что ж, на этом этапе я должен сказать честно. Этот учебник не имеет ничего общего с PyTorch 😏 Pycrayon действительно не зависит от используемой среды, поскольку он принимает собственные объекты Python в качестве входных данных, то есть list, dict и т. Д.

Шаги:

  1. Установите pycrayon и докер вытащите образ Tensorboard.
pip install pycrayon
docker pull alband/crayon

2. Запустите Tensorboard

# Tensorboard will be served on localhost:9118
docker run -p 9118:8888 -p 9119:8889 --name crayon alband/crayon

3. Каждая установка гиперпараметра вашей модели - это experiment в pycrayon; в Tensorboard земле это называется Run. Давайте определим вспомогательную функцию get_experiments для создания для нас экспериментов.

4. Смоделировать несколько прогонов (экспериментов).

4. Давайте посмотрим на графики (и, конечно же, вы можете наблюдать за обновлением убытков в реальном времени, обновляя их, благодаря time.sleep() выше).