|作者|修订时间| |:---|:---| |![wjlin0](https://img.shields.io/badge/wjlin0-个人知识库-green)|2025-10-31 15:44:29| # 7.5 使用SwanLab可视化训练过程 在上一节中，我们使用了Wandb可视化训练过程，但是Wandb将数据存储在海外，在国内的网络环境下访问速度较慢，且容易断连。SwanLab是一个由中国团队开发的训练可视化平台，国内访问稳定流畅，在功能上支持自动记录模型训练过程中的超参数和输出指标，然后可视化和比较结果，并快速与其他人共享结果。目前它还支持监控昇腾NPU的训练情况，能够和PyTorch、Keras、MMDetection、LLaMA Factory、LightGBM、XGBoost等框架结合使用。 经过本节的学习，你将收获： - SwanLab的安装 - SwanLab的基本使用 - SwanLab跟踪MNIST案例 - SwanLab跟踪YOLO案例 ## 7.5.1 SwanLab的安装 SwanLab的安装非常简单，我们只需要使用pip安装即可。 ```bash pip install swanlab ``` 安装完成后，我们需要在[官网](https://swanlab.cn/)注册一个账号并复制下自己的API keys，然后在本地使用下面的命令登录。 ```bash swanlab login ``` 这时，我们会看到下面的界面，只需要粘贴你的API keys即可。 ![](./figures/swanlab_login.png) ## 7.5.2 SwanLab的基本使用 SwanLab的使用也非常简单，只需要在代码中添加几行代码即可，大概分为两步。 **第一步，初始化项目：** ```python import swanlab swanlab.init(project="my-project", experiment_name="first_exp") ``` 这里的project和experiment_name是你在swanlab上创建的项目名称和实验名。 项目和实验的关系有点类似PC中的文件夹和文件的关系，你的每次训练进程都是一个实验，而项目是实验的集合，用来进行多个实验之间的对比与管理。 **第二步，记录数据：** ```python for i in range(10): swanlab.log({"loss": 1-0.1*i, "acc": 0.1*i}) ``` 这里的log是记录指标的函数，它接收一个字典，字典的key是指标的名称，value是指标的值。 **Hello World代码** ```python import swanlab import random # 创建一个SwanLab项目 swanlab.init( # 设置项目名 project="my-awesome-project", # 设置超参数 config={ "learning_rate": 0.02, "architecture": "CNN", "dataset": "CIFAR-100", "epochs": 10 } ) # 模拟一次训练 epochs = 10 offset = random.random() / 5 for epoch in range(2, epochs): acc = 1 - 2 ** -epoch - random.random() / epoch - offset loss = 2 ** -epoch + random.random() / epoch + offset # 记录训练指标 swanlab.log({"acc": acc, "loss": loss}) # [可选] 完成训练，这在notebook环境中是必要的 swanlab.finish() ``` 当我们运行完上面的代码后，就可以在swanlab的界面看到我们的训练结果了： ![swanlab hello world](./figures/swanlab_hello_world.png) ## 7.5.3 SwanLab跟踪MNIST案例 下面我们使用一个MNSIT手写体识别的demo来演示SwanLab的使用。 [预览链接](https://swanlab.cn/@ZeyiLin/MNIST-example/runs/4plp6w0qehoqpt0uq2tcy/chart)。 ```python import os import torch from torch import nn, optim, utils import torch.nn.functional as F import torchvision from torchvision.datasets import MNIST from torchvision.transforms import ToTensor import swanlab # CNN网络构建 class ConvNet(nn.Module): def __init__(self): super().__init__() # 1,28x28 self.conv1 = nn.Conv2d(1, 10, 5) # 10, 24x24 self.conv2 = nn.Conv2d(10, 20, 3) # 128, 10x10 self.fc1 = nn.Linear(20 * 10 * 10, 500) self.fc2 = nn.Linear(500, 10) def forward(self, x): in_size = x.size(0) out = self.conv1(x) # 24 out = F.relu(out) out = F.max_pool2d(out, 2, 2) # 12 out = self.conv2(out) # 10 out = F.relu(out) out = out.view(in_size, -1) out = self.fc1(out) out = F.relu(out) out = self.fc2(out) out = F.log_softmax(out, dim=1) return out # 捕获并可视化前20张图像 def log_images(loader, num_images=16): images_logged = 0 logged_images = [] for images, labels in loader: # images: batch of images, labels: batch of labels for i in range(images.shape[0]): if images_logged < num_images: # 使用swanlab.Image将图像转换为wandb可视化格式 logged_images.append(swanlab.Image(images[i], caption=f"Label: {labels[i]}")) images_logged += 1 else: break if images_logged >= num_images: break swanlab.log({"MNIST-Preview": logged_images}) def train(model, device, train_dataloader, optimizer, criterion, epoch, num_epochs): model.train() # 1. 循环调用train_dataloader，每次取出1个batch_size的图像和标签 for iter, (inputs, labels) in enumerate(train_dataloader): inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() # 2. 传入到resnet18模型中得到预测结果 outputs = model(inputs) # 3. 将结果和标签传入损失函数中计算交叉熵损失 loss = criterion(outputs, labels) # 4. 根据损失计算反向传播 loss.backward() # 5. 优化器执行模型参数更新 optimizer.step() print('Epoch [{}/{}], Iteration [{}/{}], Loss: {:.4f}'.format(epoch, num_epochs, iter + 1, len(train_dataloader), loss.item())) # 6. 每20次迭代，用SwanLab记录一下loss的变化 if iter % 20 == 0: swanlab.log({"train/loss": loss.item()}) def test(model, device, val_dataloader, epoch): model.eval() correct = 0 total = 0 with torch.no_grad(): # 1. 循环调用val_dataloader，每次取出1个batch_size的图像和标签 for inputs, labels in val_dataloader: inputs, labels = inputs.to(device), labels.to(device) # 2. 传入到resnet18模型中得到预测结果 outputs = model(inputs) # 3. 获得预测的数字 _, predicted = torch.max(outputs, 1) total += labels.size(0) # 4. 计算与标签一致的预测结果的数量 correct += (predicted == labels).sum().item() # 5. 得到最终的测试准确率 accuracy = correct / total # 6. 用SwanLab记录一下准确率的变化 swanlab.log({"val/accuracy": accuracy}, step=epoch) if __name__ == "__main__": #检测是否支持mps try: use_mps = torch.backends.mps.is_available() except AttributeError: use_mps = False #检测是否支持cuda if torch.cuda.is_available(): device = "cuda" elif use_mps: device = "mps" else: device = "cpu" # 初始化swanlab run = swanlab.init( project="MNIST-example", experiment_name="PlainCNN", config={ "model": "ResNet18", "optim": "Adam", "lr": 1e-4, "batch_size": 256, "num_epochs": 10, "device": device, }, ) # 设置MNIST训练集和验证集 dataset = MNIST(os.getcwd(), train=True, download=True, transform=ToTensor()) train_dataset, val_dataset = utils.data.random_split(dataset, [55000, 5000]) train_dataloader = utils.data.DataLoader(train_dataset, batch_size=run.config.batch_size, shuffle=True) val_dataloader = utils.data.DataLoader(val_dataset, batch_size=8, shuffle=False) # （可选）看一下数据集的前16张图像 log_images(train_dataloader, 16) # 初始化模型 model = ConvNet() model.to(torch.device(device)) # 打印模型 print(model) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=run.config.lr) # 开始训练和测试循环 for epoch in range(1, run.config.num_epochs+1): swanlab.log({"train/epoch": epoch}, step=epoch) train(model, device, train_dataloader, optimizer, criterion, epoch, run.config.num_epochs) if epoch % 2 == 0: test(model, device, val_dataloader, epoch) # 保存模型 # 如果不存在checkpoint文件夹，则自动创建一个 if not os.path.exists("checkpoint"): os.makedirs("checkpoint") torch.save(model.state_dict(), 'checkpoint/latest_checkpoint.pth') ``` 运行代码后，我们查看实验结果： ![](./figures/swanlab_mnist_1.png) ![](./figures/swanlab_mnist_2.png) ## 7.5.4 SwanLab跟踪YOLO案例 下面我们使用一个Ultralytics框架训练Yolo模型的demo来演示SwanLab的使用。 [预览链接](https://swanlab.cn/@ZeyiLin/ultratest/runs/yux7vclmsmmsar9ear7u5/chart)。 ```python from ultralytics import YOLO from swanlab.integration.ultralytics import add_swanlab_callback if __name__ == "__main__": model = YOLO("yolov8n.yaml") model.load() # 添加swanlab回调 add_swanlab_callback(model) model.train( data="./coco128.yaml", epochs=3, imgsz=320, ) ``` ![](./figures/swanlab_yolo_1.png) ![](./figures/swanlab_yolo_2.png) ![](./figures/swanlab_yolo_3.png) 我们可以发现，使用swanlab可以很方便地可视化训练过程和在线查看实验进展。更多功能请见[官方文档](https://docs.swanlab.cn/guide_cloud/general/what-is-swanlab.html)。