如何使用Tensorboard查看远程服务器的训练情况(pytorch也可以使用)

Tensorboard 在本机可以方便使用,但使用服务器时需要设置一下。

原理

建立ssh隧道,实现远程端口到本地端口的转发 具体来说就是将远程服务器的6006端口(tensorboard默认将数据放在6006端口)转发到本地的16006端口,在本地对16006端口的访问即是对远程6006端口的访问,当然,转发到本地某一端口不是限定的,可自由选择。

Mac或Linux系统

在登录远程服务器的时候使用命令:

ssh -L 16006:127.0.0.1:6006 account@server.address

代替一般ssh远程登录命令:ssh account@server.address。ip地址:127.0.0.1指代本地主机。

训练完模型之后使用如下命令:

tensorboard --logdir="/path/to/log-directory" --port=6006

其中,/path/to/log-directory为自己设定的日志存放路径,因人而异
最后,在本地浏览器访问地址:http://127.0.0.1:16006/

 

参考博客:https://blog.csdn.net/aiynmimi/article/details/88531695

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PyTorch中,你可以使用TensorBoard查看网络结构。下面是一些步骤供你参考: 1. 首先,确保你已经安装了TensorBoardTensorBoardX库。你可以使用以下命令来安装它们: ``` pip install tensorboard pip install tensorboardX ``` 2. 在你的代码中,导入TensorBoardX库: ```python from tensorboardX import SummaryWriter ``` 3. 创建一个`SummaryWriter`实例,并指定一个目录来保存TensorBoard日志: ```python writer = SummaryWriter('logs') ``` 4. 在你的网络定义中,使用`add_graph`方法将网络结构写入TensorBoard日志: ```python # 假设你的网络是一个nn.Module的子类 model = YourModel() input_tensor = torch.Tensor(batch_size, input_size) # 替换为你的输入张量 writer.add_graph(model, input_tensor) ``` 5. 在训练过程中,使用`add_scalar`方法将损失、准确率等训练指标写入TensorBoard日志: ```python # 在每个训练迭代中调用 writer.add_scalar('loss', loss.item(), global_step) # 根据你的训练迭代次数更新global_step ``` 6. 最后,运行TensorBoard服务器查看网络结构和训练指标。在命令行中执行以下命令: ``` tensorboard --logdir=logs ``` 7. 打开浏览器,访问`http://localhost:6006`,你应该能够在TensorBoard中看到网络结构和训练指标。 这是一种基本的使用方法,你还可以通过TensorBoard进行更多高级功能的可视化,如直方图、图像等。请查阅TensorBoardTensorBoardX的文档以获取更多信息。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值