容易记录实验数据
record-keeper的Python项目详细描述
档案保管员
安装
pip install record-keeper
问题是：
当运行机器学习实验时，记录的数据越多越好。但在日志中添加新的一系列数据通常需要更改培训代码。当你想记录几十个不同系列的数据时，你的代码看起来很糟糕。在
解决方案：
使用RecordKeeper，在编写新类时可以轻松地添加可记录的信息。下面的例子取自pytorch-metric-learning库。在
首先，创建一个包含要记录的属性名称的列表（在下面的示例中是self.record_these）。在
然后告诉记录管理员要读取的列表的名称。RecordKeeper将记录并保存列表中描述的所有属性。在
fromtorch.utils.tensorboardimportSummaryWriterimportrecord_keeperasrecord_keeper_packagefrompytorch_metric_learningimportlossesrecord_writer=record_keeper_package.RecordWriter(your_folder_for_logs)tensorboard_writer=SummaryWriter(log_dir=your_tensorboard_folder)record_keeper=record_keeper_package.RecordKeeper(tensorboard_writer,record_writer,["record_these"])your_loss_dictionary={"metric_loss":losses.ContrastiveLoss()}# Then at each iteration of training:record_keeper.update_records(your_loss_dictionary,current_iteration)
现在可以在Tensorboard上查看record_these（特别是num_non_zero_pos_pairs和{
这些数据系列也以sqlite和CSV格式保存。如果您只想使用Tensorboard，那么只传递一个SummaryWriter，反之亦然。在
传递到record_keeper.update_records的字典可以包含任意数量的对象，对于每个对象，RecordKeeper将检查该对象是否具有“record\u these”属性。只要你以编程的方式编写字典，就可以在不阻塞训练代码的情况下添加大量的可记录数据。请参见pytorch-metric-learning和powerful-benchmarker查看RecordKeeper的实际操作。在
- 项目
标签：
欢迎加入QQ群-->： 979659372
