自己整理的模型训练记录模板 搭配log和tensorborad

最新推荐文章于 2025-07-23 16:37:16 发布
最新推荐文章于 2025-07-23 16:37:16 发布
阅读量753 收藏 8
点赞数 15
CC 4.0 BY-SA版权
文章标签： 深度学习 python pytorch 人工智能 conda
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_63860529/article/details/143799249

先上模板

模板

0.执行命令
1.训练参数

（不同地方 注释清楚）

2.训练结果
3.出现的问题
4.测试的参数
5.测试结果
6.出现的问题和需要改进的点

因为要训练的次数太多，所以简单做了一个markdown来记录平时的数据，知道每次修改了什，对应效果是什么，存在哪些问题， 下次怎么样修改等等。

下面是我开始学习时候的一次实例，有大神的话也帮助看一下是什么问题。

我的简单训练记录实例

2024-10-31-13-12-39

0.执行命令

nohup python train.py --epoch 100 --batch-size 48> out.log &

1.训练参数

（不同地方 注释清楚）

name: LiTS_Unet_lym
arch: Unet
dataset: LiTS==（去掉了10%病人做测试集）==
input_channels: 3
image_ext: npy
mask_ext: npy
aug: False
loss: BCEDiceLoss
epochs: 100（实际跑了81epoch）
early_stop: 30
batch_size: 48
optimizer: Adam(自适应矩估计)
lr: 0.0003
momentum: 0.9
weight_decay: 0.0001
nesterov: False
deepsupervision: False

2.训练结果

log记录：
在这里插入图片描述

可视化训练数据tensorboard

在这里插入图片描述

3.出现的问题

和上次出现差不多问题 这次出现在接近40 Epoch 左右 验证集DICE参数会骤降为近0，loss 也会下降一截，而且逐渐震荡
怀疑是优化器的问题，可以把学习率搞出来看看

4.测试的参数

对epoch39-0.9762-0.9133_model.pth 模型进行测试

保存模型是看loss的 loss 甚至可以训练到0.15左右 （200轮）
参数与训练一致

5.测试结果

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

IoU: 0.8757 Dice_1: 0.9275 Dice_2: 0.2297 （训练集上表现很好(验证集都0.9了)，但在测试集上却表现很差）

是不是过拟合 看训练误差和验证误差 如果是过拟合应该是训练loss 下降 验证loss 上升

6.出现的问题和需要改进的点

肝脏蛮好 肿瘤不好
怀疑是优化器的问题，换一个优化器，可以把学习率搞出来看看

深度学习实验手册
qq_42814530的博客
09-26 1885
深度学习实验手册 文章目录深度学习实验手册一、基础理论1. 自定义感知机2. 验证图像卷积运算效果二、OpenCV部分1. OpenCV安装2. OpenCV基本操作1）读取、图像、保存图像3. 图像色彩操作1）彩色图像转换为灰度图像2）色彩通道操作3）灰度直方图均衡化4）彩色亮度直方图均衡化5）色彩提取6）二值化与反二值化4. 图像形态操作1）图像翻转2）图像仿射变换3）图像缩放4）图像裁剪5）图像相加6）图像相减7）透视变换8）图像腐蚀9）图像膨胀10）图像开运算11）图像闭运算12）形态学梯度5.
图像识别
weixin_45665357的博客
01-28 519
深度学习实验手册 文章目录深度学习实验手册一、基础理论1. 自定义感知机2. 验证图像卷积运算效果二、OpenCV部分1. OpenCV安装2. OpenCV基本操作1）读取、图像、保存图像3. 图像色彩操作1）彩色图像转换为灰度图像2）色彩通道操作3）灰度直方图均衡化4）彩色亮度直方图均衡化5）色彩提取6）二值化与反二值化4. 图像形态操作1）图像翻转2）图像仿射变换3）图像缩放4）图像裁剪5）图像相加6）图像相减7）透视变换8）图像腐蚀9）图像膨胀10）图像开运算11）图像闭运算12）形态学梯度5.
模型训练测试技巧记录
u010205128的博客
07-02 365
我是一个粗心的人，有时候会犯一些低级的错误。低级错误常常使人懊恼，我想通过养成好的习惯可以避免，逐渐改善因为低级错误的时间浪费。1、写一个模型训练的bat文件，到训练模型的时候直接稍作路径修改就可以直接用了。例如要训练一个lenet模型，我有4块显卡，我想试试不同的训练策略，那我分别run4个bat就可以。这个bat应该是包含lmdb或者leveldb数据格式的生成，mean的生成，以及最后的tr...
深度学习：模型训练中记录log的方式
Ethan_Rich的博客
08-15 1533
PyTorch：可以使用logging库或 TensorBoard 记录训练过程。TensorFlow：可以使用tf.summary和 TensorBoard 记录和可视化训练信息。通过在训练过程中添加适当的日志记录，你可以更好地监控模型的性能，调试训练过程中的问题，并记录实验结果。
tensorboard中把多次实验的结果绘制在一起
qq_44719032的博客
12-15 2610
利用tensorboard将多次实验结果绘制在一起的方法
外包 | 根据训练模型过程记录画图
JackyAce6880的博客
04-07 210
外包 | 根据训练模型过程记录画图
深度学习论文写作框架
zhr_the_great的博客
09-19 8569
0. 前言 一篇好论文的几个评价标准：Significance（重要性）、Novelty（创新性）、Presentation（表达能力）、Experiments（实验结果） 论文结构应为金字塔结构，层层递进，逐次展开。塔尖即论文标题，总领全篇；塔顶即论文摘要，高屋建瓴；塔身即论文简介，全面介绍；塔底即方法、实验方法、实验结果等，详细说明。 在具体写作过程中，每一段应遵循总——分结构，即段首概况段意，段身详述内容 如无特殊要求，论文时态多为一般现在时态 1. Abstract写作 2. Introduct
建模论文书写指南
小小Bug编写员
09-01 2515
论文格式
基于keras的深度模型训练过程及结果记录方法
热门推荐
sjtuxx_lee的博客
05-29 1万+
记录训练过程 history=model.fit(X_train, Y_train, epochs=epochs,batch_size=batch_size,validation_split=0.1) 将训练过程记录在history中 利用时间记录模型 import time model_id = np.int64(time.strftime('%Y%m%d%H%M', time.lo...
模型训练结果记录
banxia1995的博客
12-13 1537
Epoch[59] Batch [2600]    Speed: 3.08 samples/sec    Train-RPNAcc=0.992344,    RPNLogLoss=0.025065,    RPNL1Loss=0.079984,    RCNNAcc=0.885140,    RCNNLogLoss=0.262289,    RCNNL1Loss=0.031260 （train训...
Windows使用opencv训练模型过程记录（提供样本）
i土豆程序猿的学习笔记
12-29 5902
Windows使用opencv训练模型过程记录 首先按照这个指引安装好所需要的工具： Windows环境下训练OpenCV分类器 Windows环境下训练OpenCV分类器_@陌阡的博客-CSDN博客 Python + pip 下载 opencv_createsamples.exe和opencv_traincascade.exe 准备训练库opencv_bin，自己拍照进行训练。 自己试了几个训练结果，发现都不理想。一般训练识别不准确。 后来经过多次尝试，觉得应该收集更多
深度学习方法生成抓取位姿与6D姿态估计的完整实现
ZPC8210的博客
07-20 956
如何将GraspNet等深度学习模型与6D姿态估计集成到ROS2和MoveIt中，实现高精度的机器人抓取系统。
CNN实战案例：从图像识别到医疗诊断
keny-大成的博客
07-23 608
本文介绍了基于SpringBoot与CNN（卷积神经网络）的30个应用实例，涵盖图像识别、医疗诊断和工业检测等领域。主要内容包括：1）典型应用场景如MNIST手写识别、医疗影像分析等，提供关键代码示例；2）CNN核心组件（卷积层、池化层等）和工作原理；3）经典网络架构如LeNet、ResNet；4）模型部署方案与性能优化技巧。文章强调从基础示例入手，结合实际需求调整模型架构，为开发者提供完整的CNN应用实现参考方案。
卷积神经网络中的注意力机制：CBAM详解与实践
wyy202206174248的博客
07-21 746
注意力机制源于人类视觉系统的工作方式 - 我们不会同时处理视野中的所有信息，而是选择性地聚焦于重要部分。在深度学习中，注意力机制通过动态调整特征图中不同位置或通道的重要性，使模型能够关注更有信息量的区域。CBAM作为一种简单有效的注意力机制，通过顺序应用通道和空间注意力模块，显著提升了CNN模型的性能。本文详细介绍了CBAM的原理、PyTorch实现方法以及在不同任务中的应用方式。实验表明，CBAM能够以较小的计算代价带来明显的性能提升。未来发展方向：更高效的注意力计算方式。
卷积神经网络：模型评估标准
最新发布
m53421的博客
07-23 437
真正例率（TPR，又称灵敏度、召回率）真实正例中被正确预测为正例的比例，反映模型对正例的识别能力。假正例率（FPR，又称 1 - 特异度）真实负例中被错误预测为正例的比例，反映模型的误判率。（注：TP、TN、FP、FN 的定义见混淆矩阵相关内容）
【CNN】LeNet网络架构
2302_77326347的博客
07-23 345
LeNet-5模型是由杨立昆（Yann LeCun）教授于1998年在论文Gradient-Based Learning Applied to Document Recognition中提出的，是一种用于手写体字符识别的非常高效的卷积神经网络，其实现过程如下图所示。原论文的经典的LeNet-5网络结构如下：各个结构作用：卷积层：提取特征图的特征，浅层的卷积提取的是一些纹路、轮廓等浅层的空间特征，对于深层的卷积，可以提取出深层次的空间特征。
30天打牢数模基础-循环神经网络讲解
小叶的趣味数模
07-21 336
显示每轮训练的损失（loss）和准确率（accuracy），验证集的损失（val_loss）和准确率（val_accuracy）；：如果训练集准确率很高（如100%）但测试集准确率很低（如50%），说明模型过拟合，可以减少训练轮次或增加数据。：如果有主题标签（如“思乡”“山水”），可以将其作为额外特征加入模型（需修改模型结构为函数式API）。：显示测试集输入唐诗前半部分的预测结果（如输入“慈母手中线，游子身上”，预测“衣”）。：显示模型能识别的所有字符（如“床”“前”“明”等）；
深度学习 -- 梯度计算及上下文控制
m0_73338216的博客
07-21 655
本文介绍了PyTorch中的自动微分和梯度计算相关内容。主要内容包括： 自动微分基础概念： 张量的requires_grad属性控制是否计算梯度 计算图动态跟踪张量操作 叶子节点与非叶子节点区分 梯度计算方法： 标量梯度计算 向量梯度计算及推导过程 多标量和多向量梯度计算 梯度上下文控制： 使用torch.no_grad()控制梯度计算 梯度累加特性及清零方法 应用案例： 使用梯度下降法求函数最小值 线性回归参数求解实现 文章通过代码示例详细展示了PyTorch自动微分机制的核心功能和使用方法，为神经网络训
Zetane：让深度学习不再抽象，一键3D可视化
weixin_64110589的博客
07-21 361
Zetane Systems是一家专注于AI模型可视化的加拿大公司，成立于2016年。其核心产品Zetane Engine通过3D可视化技术解决深度学习"黑箱"问题，支持ONNX、Keras等格式模型的可视化分析，提供多维度张量投影、特征图视图等功能。用户可从官网下载Windows/Linux/Mac版本，实现AI模型的交互式探索和内部机制解析。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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