PyTorch绘制Loss与Acc曲线及LeNet5在图像识别中的应用

"这篇文章主要介绍了如何在PyTorch中利用TensorboardX绘制损失(loss)曲线和准确率(acc)曲线，以及使用LeNet5模型进行图像识别。作者在Anaconda3环境中创建了专门的PyTorch虚拟环境，并通过Spyder编写代码。文章提供了具体的步骤和示例代码来展示整个过程。" 在PyTorch深度学习项目中，可视化训练过程中的损失和准确率曲线对于理解和优化模型至关重要。TensorboardX是一个PyTorch扩展库，它允许我们将训练数据可视化到TensorBoard中，这是一个由TensorFlow提供的强大的日志和可视化工具。 1. **环境配置**： - 首先，你需要激活PyTorch虚拟环境，例如使用`activate pytorch`命令。 - 接下来，通过`pip install tensorboardX`安装TensorboardX库。确保在Python环境中可以导入`SummaryWriter`，这表明安装成功。 2. **使用TensorboardX**： - 在你的代码中，创建一个`SummaryWriter`对象，用于记录训练过程中的关键指标。例如： ```python from tensorboardX import SummaryWriter writer = SummaryWriter() ``` - 每次训练迭代后，你可以使用`writer.add_scalar()`方法添加损失和准确率数据： ```python writer.add_scalar('Loss', loss.item(), epoch) writer.add_scalar('Accuracy', accuracy.item(), epoch) ``` - 记录完所有数据后，别忘了关闭`SummaryWriter`： ```python writer.close() ``` 3. **LeNet5模型**： - LeNet5是Yann LeCun等人在1998年提出的经典卷积神经网络架构，主要用于手写数字识别。 - 如代码所示，LeNet5包含两个卷积层，每个卷积层后跟一个最大池化层，接着是三个全连接层。卷积层用于提取特征，全连接层用于分类。 - 使用`nn.Conv2d`定义卷积层，`nn.Linear`定义全连接层，`F.relu`激活函数，`F.max_pool2d`进行最大池化操作。 4. **训练过程**： - 训练时，你需要定义损失函数（如交叉熵损失`nn.CrossEntropyLoss`）和优化器（如SGD或Adam），并在每次迭代后更新模型参数。 - 计算损失和准确率，然后将它们写入`SummaryWriter`以便在TensorBoard中可视化。 5. **可视化结果**： - 运行`tensorboard --logdir=runs`命令启动TensorBoard服务器，然后在浏览器中打开显示的URL查看图表。 - 在TensorBoard中，你可以看到损失(loss)和准确率(acc)随时间变化的曲线，从而了解模型的训练进展。 通过这种方式，你可以实时监控模型的性能，帮助发现潜在问题，如过拟合或欠拟合，并据此调整模型的超参数。对于初学者和经验丰富的开发者来说，这是调试和优化模型的有效方法。