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:
- Установите
pycrayon
и докер вытащите образTensorboard
.
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).