tqdm 详解

1. 简介

  tqdm是 Python 进度条库,可以在 Python长循环中添加一个进度提示信息。用户只需要封装任意的迭代器,是一个快速、扩展性强的进度条工具库。

2. 使用方法

  • 传入可迭代对象
import time
from tqdm import *

for i in tqdm(range(100)):
    time.sleep(0.01)
  • trange(i)tqdm(range(i))的简单写法
for t in trange(100):
    time.sleep(0.01)
  • update()方法手动控制进度条更新的进度
with tqdm(total=200) as pbar:
    for i in range(20):  # 总共更新 20 次
        pbar.update(10)  # 每次更新步长为 10
        time.sleep(1)

或者

pbar = tqdm(total=200)

for i in range (20):
    pbar.update(10)
    time.sleep(1)

pbar.close()
  • write()方法
pbar = trange(10)

for i in pbar:
    time.sleep(1)
    if not (i % 3):
        tqdm.write('Done task %i' %i)
  • 通过set_description()set_postfix()设置进度条显示信息
from random import random,randint

with trange(10) as t:
    for i in t:                
        t.set_description("GEN %i"%i)  # 进度条左边显示信息        
        t.set_postfix(loss=random(), gen=randint(1,999), str="h", lst=[1,2])  # 进度条右边显示信息
        time.sleep(0.1)  

3. 实例 - 手写数字识别

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from torch.utils.data import DataLoader
import torchvision.datasets as datasets
import torchvision.transforms as transforms
from tqdm import tqdm

class CNN(nn.Module):
    def __init__(self,in_channels=1,num_classes=10):
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels=1,out_channels=8,kernel_size=(3,3),stride=(1,1),padding=(1,1))
        self.pool = nn.MaxPool2d(kernel_size=(2,2),stride=(2,2))
        self.conv2 = nn.Conv2d(in_channels=8,out_channels=16,kernel_size=(3,3),stride=(1,1),padding=(1,1))
        self.fc1 = nn.Linear(16*7*7,num_classes)
    def forward(self,x):
        x = F.relu(self.conv1(x))
        x = self.pool(x)
        x = F.relu(self.conv2(x))
        x = self.pool(x)
        x = x.reshape(x.shape[0],-1)
        x = self.fc1(x)
        return x

device = torch.device("cuda"if torch.cuda.is_available() else "cpu")

in_channels = 1
num_classes = 10
learning_rate = 0.001
batch_size = 64
num_epochs = 5

train_dataset = datasets.MNIST(root="dataset/",train=True,transform=transforms.ToTensor(),download=True)
train_loader = DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)

test_dataset = datasets.MNIST(root="dataset/",train=False,transform=transforms.ToTensor(),download=True)
test_loader = DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)

model = CNN().to(device)

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(),lr=learning_rate)

for index,(data,targets) in tqdm(enumerate(train_loader),total=len(train_loader),leave = True):
    for data,targets in tqdm(train_loader):
        # Get data to cuda if possible
        data = data.to(device=device)
        targets = targets.to(device=device)

        # forward
        scores = model(data)
        loss = criterion(scores,targets)

        # backward
        optimizer.zero_grad()
        loss.backward()

        # gardient descent or adam step
        optimizer.step()

转载自

  1. 【PyTorch总结】tqdm的使用
  2. Python 超方便的迭代进度条 (Tqdm)
  • 69
    点赞
  • 276
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
tqdm是一个Python包,用于在循环中显示进度条。它可以轻松地为for循环、while循环等添加进度条,以便更清楚地了解代码在运行过程中的进展情况。以下是tqdm的几个常见用法: 1. 基本用法 ```python from tqdm import tqdm for i in tqdm(range(100)): # do something ``` 这个例子中,我们使用tqdm库在循环中添加了一个进度条,循环次数为100次。tqdm()函数的参数是一个可迭代对象,可以是range()、list、set、tuple、dict等。 2. 显示进度条的格式 ```python from tqdm import tqdm for i in tqdm(range(100), bar_format='{l_bar}{bar:20}{r_bar}{bar:-10b}'): # do something ``` 这个例子中,我们使用bar_format参数自定义了进度条的格式。其中,l_bar表示左侧边框,bar表示进度条本身,r_bar表示右侧边框,bar:-10b表示在进度条后面添加一个百分比数字。 3. 显示循环速度 ```python from tqdm import tqdm for i in tqdm(range(100), desc='Processing', unit='samples', unit_scale=True): # do something ``` 这个例子中,我们使用desc参数自定义了进度条的描述文字,unit参数指定了单位,unit_scale参数指定了是否自动调整单位。 4. 嵌套循环进度条 ```python from tqdm import tqdm for i in tqdm(range(10), desc='Outer Loop'): for j in tqdm(range(100), desc='Inner Loop', leave=False): # do something ``` 这个例子中,我们使用嵌套循环来演示如何在两个循环中都使用进度条。其中,leave参数表示内层循环完成后是否保留进度条。 总之,tqdm是一个非常实用的Python包,可以方便地为循环添加进度条,使代码更具可读性和可视化效果。
评论 1
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