jupyter notebook pytorch loss曲线

### 使用 PyTorch 和 Matplotlib 在 Jupyter Notebook 中绘制 Loss 曲线 在 Jupyter Notebook 中使用 PyTorch 训练模型时，可以通过集成 `matplotlib` 库来实现实时绘制损失曲线的功能。下面展示了一个完整的例子，说明如何设置环境、定义训练循环，并利用 `matplotlib` 动态显示每次迭代后的损失变化情况。 #### 安装依赖项 为了确保所有必要的包都已安装，在命令行中执行如下指令： ```bash pip install torch matplotlib jupyter ``` #### 导入所需模块并初始化数据结构 接着，在新的 Jupyter notebook 单元格里输入以下 Python 代码片段来进行准备工作： ```python import torch from torchvision import datasets, transforms import matplotlib.pyplot as plt %matplotlib inline # 这样可以在notebook内直接显示出图像而不需要plt.show() train_losses = [] # 存储每轮次结束后的平均训练集上的loss值 test_losses = [] # 同理存储测试集上对应的loss值 epochs = [] ``` #### 设置绘图函数 创建一个辅助性的绘图功能以便于后续调用更新图表： ```python def plot_curves(): """动态刷新loss曲线""" fig, ax = plt.subplots() ax.plot(epochs, train_losses, label='Training Loss') ax.plot(epochs, test_losses, label='Validation Loss') ax.set_xlabel('Epochs') ax.set_ylabel('Loss') ax.legend(loc="upper right") plt.title("Training and Validation Loss Over Epochs") plt.grid(True) plt.tight_layout() plt.draw() plt.pause(0.001) # 小暂停以允许图形窗口更新 plt.close(fig) ``` #### 构建简单的神经网络模型与训练逻辑 这里构建一个简易的全连接层作为演示用途，并编写相应的训练流程控制语句： ```python class SimpleNN(torch.nn.Module): def __init__(self): super(SimpleNN, self).__init__() self.fc = torch.nn.Linear(in_features=784, out_features=10) def forward(self, x): return self.fc(x.view(-1, 784)) device = 'cuda' if torch.cuda.is_available() else 'cpu' model = SimpleNN().to(device=device) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) dataset_train = datasets.MNIST('./data', download=True, transform=transform, train=True) dataloader_train = torch.utils.data.DataLoader(dataset_train, batch_size=64, shuffle=True) for epoch in range(5): # 设定总共跑五轮epoch running_loss = 0.0 for images, labels in dataloader_train: optimizer.zero_grad() outputs = model(images.to(device)) loss = criterion(outputs, labels.to(device)) loss.backward() optimizer.step() running_loss += loss.item() avg_epoch_loss = running_loss / len(dataloader_train) epochs.append(epoch + 1) train_losses.append(avg_epoch_loss) with torch.no_grad(): # 不计算梯度的情况下评估验证集性能 dataset_test = datasets.MNIST('./data', download=False, transform=transform, train=False) dataloader_test = torch.utils.data.DataLoader(dataset_test, batch_size=len(dataset_test), shuffle=False) dataiter = iter(dataloader_test) images, labels = next(dataiter) output = model(images.to(device)) validation_loss = criterion(output, labels.to(device)).item() test_losses.append(validation_loss) print(f"Epoch {epoch+1}, Training Loss: {avg_epoch_loss:.4f}, Test Loss: {validation_loss:.4f}") plot_curves() # 调用之前定义好的绘图函数实时展现loss趋势 ``` 上述代码展示了如何通过 PyTorch 实现基本的 MNIST 数据分类任务的同时记录下每一 epoch 结束之后的数据表现，并借助 `matplotlib` 来实现这些信息的直观呈现[^3]。