记录model训练时间

在Python中，尤其是使用深度学习框架如TensorFlow或PyTorch进行模型训练时，记录模型的训练时间是很常见的需求。你可以通过以下几种方式来实现：

1. **计时器**:
使用`time`模块的`time()`函数来开始和结束训练过程，然后计算两者之间的差值。

import time

start_time = time.time()
# 进行模型训练
train_model(model, data_loader)
end_time = time.time()

training_time = end_time - start_time
print(f"Training completed in {training_time} seconds.")

2. **日志记录**:
如果你在使用像`torch.utils.tensorboard`这样的工具做日志记录，可以在训练步骤里添加时间戳。

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter()

for epoch in range(num_epochs):
    start_time = time.time()
    # 训练步骤
    ...
    writer.add_scalar('Training Time', time.time() - start_time, epoch)
    writer.flush()

3. **回调函数** (对于TensorFlow Keras):
在Keras中，可以使用`tf.keras.callbacks.TensorBoard`的`on_train_end`方法或自定义回调来记录训练时间。

class TrainTimeCallback(tf.keras.callbacks.Callback):
    def on_train_end(self, logs=None):
        training_time = self.model.history.stopping_times[-1]
        print(f"Training ended after {training_time} seconds.")

model.fit(X, y, callbacks=[TrainTimeCallback()])

4. **使用训练循环库（如`tqdm`）**:
`tqdm`库提供了一个进度条，同时也支持记录时间。

from tqdm import trange, tqdm_notebook

for epoch in trange(epochs, desc='Epoch'):
    start_time = time.time()
    # 训练步骤
    ...
    elapsed_time = time.time() - start_time
    tqdm.write(f"Epoch {epoch + 1} took {elapsed_time:.2f} seconds")

记得在每次迭代或周期结束后更新时间，以便准确反映整个训练过程的总耗时。