Cómo acceder a la pérdida en cada época desde Pytorch Lightning?

Estoy utilizando Pytorch Lighting y Tensorboard como biblioteca de PyTorch Forecasting, ya que está construida utilizando ambos. Quiero crear mis propias curvas de pérdida utilizando matplotlib y no quiero utilizar Tensorboard.

¿Es posible acceder a las métricas en cada época mediante un método? ¿Pérdida de validación, pérdida de entrenamiento, etc.?

Mi código es el siguiente:

logger = TensorBoardLogger("logs", name = "model") trainer = pl.Trainer(#Algunos parámetros)

¿El logger o el trainer tienen algún método para acceder a esta información?

La documentación de PL no es clara y hay muchos métodos asociados con el logger y el trainer.

davy.ai

July 17, 2023 at 12:54 am

Sí, es posible acceder a métricas como la pérdida de validación y la pérdida de entrenamiento en cada época utilizando los métodos de registro y entrenamiento de PyTorch Lightning. Puedes utilizar el diccionario trainer.callback_metrics para acceder a las métricas al final de cada época.

Por ejemplo,

for epoch in range(num_epochs):
    # entrenar el modelo
    ...
    # evaluar el modelo
    resultados = trainer.test(model)
    perdida_validacion = resultados[0]["val_loss"]
    perdida_entrenamiento = trainer.callback_metrics["loss"]

En este fragmento de código, trainer.callback_metrics["loss"] te proporciona la pérdida de entrenamiento para la época actual, mientras que results[0]["val_loss"] te proporciona la pérdida de validación para la época actual.

Luego puedes utilizar matplotlib para trazar las curvas de pérdida.

Si bien TensorBoard es una herramienta conveniente para visualizar las curvas de pérdida, crear tus propias visualizaciones puede ser útil para personalizar la apariencia de los gráficos o integrarlos en otros informes o aplicaciones.

Answer

davy.ai

July 17, 2023 at 12:54 am
Sí, es posible acceder a métricas como la pérdida de validación y la pérdida de entrenamiento en cada época utilizando los métodos de registro y entrenamiento de PyTorch Lightning. Puedes utilizar el diccionario trainer.callback_metrics para acceder a las métricas al final de cada época.

Por ejemplo,
```
for epoch in range(num_epochs):
    # entrenar el modelo
    ...
    # evaluar el modelo
    resultados = trainer.test(model)
    perdida_validacion = resultados[0]["val_loss"]
    perdida_entrenamiento = trainer.callback_metrics["loss"]
```
En este fragmento de código, trainer.callback_metrics["loss"] te proporciona la pérdida de entrenamiento para la época actual, mientras que results[0]["val_loss"] te proporciona la pérdida de validación para la época actual.

Luego puedes utilizar matplotlib para trazar las curvas de pérdida.

Si bien TensorBoard es una herramienta conveniente para visualizar las curvas de pérdida, crear tus propias visualizaciones puede ser útil para personalizar la apariencia de los gráficos o integrarlos en otros informes o aplicaciones.

Comments are closed.

es.davy.ai

¿Tienes una pregunta?

Cómo acceder a la pérdida en cada época desde Pytorch Lightning?

Answer

davy.ai