pytorch跑模型时候保存log

在PyTorch中，我们可以使用Python自带的logging模块来保存模型训练过程的日志信息。首先，我们需要导入logging模块：

import logging

然后，设置日志的级别以及日志的格式：

# 设置日志级别为INFO
logging.basicConfig(level=logging.INFO)

# 设置日志的格式
formatter = logging.Formatter('%(asctime)s - %(levelname)s - %(message)s')

接下来，我们可以创建一个logger对象，并设置其相关属性，比如日志级别和格式：

# 创建logger对象
logger = logging.getLogger()

# 设置日志级别为INFO
logger.setLevel(logging.INFO)

# 创建一个文件日志处理器，并将日志写入指定文件中
file_handler = logging.FileHandler('log.txt')
file_handler.setLevel(logging.INFO)
file_handler.setFormatter(formatter)

# 创建一个控制台日志处理器，并将日志打印在控制台上
console_handler = logging.StreamHandler()
console_handler.setLevel(logging.INFO)
console_handler.setFormatter(formatter)

# 将文件日志处理器和控制台日志处理器添加到logger对象中
logger.addHandler(file_handler)
logger.addHandler(console_handler)

最后，在模型训练的迭代过程中，我们可以使用logger对象来保存训练过程的日志信息：

# 模型训练过程中的日志信息
for epoch in range(num_epochs):
    # 模型训练代码
    # ...

    # 保存日志信息
    logger.info(f'Epoch: {epoch}')

    # 模型评估代码
    # ...

    # 保存日志信息
    logger.info(f'Evaluation: {evaluation_result}')

这样，模型训练过程中的日志信息就会被保存在'log.txt'文件中，并且也会在控制台上进行打印。