指标

对于指标，我们建议使用 Tensorboard，将指标直接记录到您的模型旁边的云存储中。随着模型的训练，您可以在本地启动一个 Tensorboard 实例来监视模型进度

$ tensorboard --log-dir provider://path/to/logs

或者，您可以将 torchx.components.metrics.tensorboard() 组件用作管道的一部分。

请参阅 Trainer 示例，了解如何使用 PyTorch Lightning TensorboardLogger。

参考

• PyTorch Tensorboard 教程 https://pytorch.ac.cn/tutorials/intermediate/tensorboard_tutorial.html

• PyTorch Lightning 记录器 https://pytorch-lightning.readthedocs.io/en/stable/extensions/logging.html

torchx.components.metrics.tensorboard(logdir: str, image: str = 'ghcr.io/pytorch/torchx:0.7.0', timeout: float = 3600, port: int = 6006, start_on_file: str = '', exit_on_file: str = '') → AppDef

此组件将运行一个 Tensorboard 服务器，该服务器会呈现由 logdir 指定的日志。

由于 Tensorboard 以服务形式运行，因此您需要指定终止条件。这包括超时时间以及一个可选的 exit_on_file，当创建该路径时，该路径将导致服务退出。

这些文件将通过 fsspec 定期轮询是否存在，并在创建时触发相应行为。

参数:

• logdir – 指向 Tensorboard 日志的 fsspec 路径

• image – 要使用的图像

• timeout – 退出之前运行的最长时间（秒）

• 在文件上手动启动 – 当创建 fsspec 路径时启动服务器

• 在文件上退出 – 当创建 fsspec 路径时关闭服务器