PyTorch训练中如何记录各轮次准确率等指标？求常规实现方案

你用列表记录指标再转DataFrame存CSV的做法本身是可行的，但业内有更规范、可扩展的方案，主要分为两类：手动优化的轻量方案，和用成熟工具的方案。

一、手动优化的轻量方案（适合小项目/快速迭代） #

你当前的列表方式可以优化，改用字典统一管理指标，避免单独维护多个列表，新增指标时更灵活：

def train(model, criterion, optimizer, scheduler, num_epochs=25):
    # 用字典统一存储所有指标，键为指标名称，值为对应历史列表
    metrics_history = {
        'train_loss': [],
        'val_loss': [],
        'train_acc': [],
        'val_acc': []
    }
    
    for epoch in range(num_epochs):
        # 此处写入你的训练、验证逻辑，计算当前轮次的各项指标
        # train_loss, train_acc = ...
        # val_loss, val_acc = ...
        
        # 统一追加指标到字典对应列表
        metrics_history['train_loss'].append(train_loss)
        metrics_history['train_acc'].append(train_acc)
        metrics_history['val_loss'].append(val_loss)
        metrics_history['val_acc'].append(val_acc)
    
    # 转DataFrame并保存，逻辑和你原本一致，但结构更清晰
    import pandas as pd
    df = pd.DataFrame(metrics_history)
    df.to_csv('training_metrics.csv', index=False)
    return metrics_history

这种方式的优势是：新增指标（如F1分数、学习率）时，仅需在字典中添加对应键即可，无需额外定义新列表，代码更整洁易维护。

二、用专业实验追踪工具（适合中大型项目/长期实验） #

业内做模型训练时，更常用成熟的实验追踪工具记录指标，这类工具不仅能存储数据，还支持实时可视化、实验对比、模型版本管理等功能，常用的有：

1. TensorBoard（PyTorch官方集成） #

PyTorch原生支持TensorBoard，无需复杂依赖，就能实时查看指标曲线：

from torch.utils.tensorboard import SummaryWriter

def train(model, criterion, optimizer, scheduler, num_epochs=25):
    # 初始化日志写入器，指定日志保存目录
    writer = SummaryWriter(log_dir='./runs/training_exp_1')
    
    for epoch in range(num_epochs):
        # 计算训练、验证指标
        train_loss, train_acc = train_one_epoch(model, criterion, optimizer, train_loader)
        val_loss, val_acc = validate(model, criterion, val_loader)
        
        # 将指标写入TensorBoard
        writer.add_scalar('Loss/Train', train_loss, epoch)
        writer.add_scalar('Loss/Val', val_loss, epoch)
        writer.add_scalar('Accuracy/Train', train_acc, epoch)
        writer.add_scalar('Accuracy/Val', val_acc, epoch)
        # 还可记录学习率、模型权重直方图等更多信息
        writer.add_scalar('Learning Rate', optimizer.param_groups[0]['lr'], epoch)
    
    writer.close()

运行后，在终端执行tensorboard --logdir=runs，即可在浏览器中查看实时更新的指标曲线，直观追踪训练进度。

2. Weights & Biases（W&B） #

这是业内流行的第三方实验管理工具，功能比TensorBoard更全面，支持实验对比、团队协作、自动保存代码与模型版本：

import wandb

def train(model, criterion, optimizer, scheduler, num_epochs=25):
    # 初始化W&B项目，指定实验名称
    wandb.init(project='my_pytorch_project', name='training_run_1')
    
    # 可将超参数同步记录，方便后续对比
    wandb.config = {
        "learning_rate": optimizer.param_groups[0]['lr'],
        "epochs": num_epochs,
        "batch_size": train_loader.batch_size
    }
    
    for epoch in range(num_epochs):
        train_loss, train_acc = train_one_epoch(model, criterion, optimizer, train_loader)
        val_loss, val_acc = validate(model, criterion, val_loader)
        
        # 批量记录指标到云端
        wandb.log({
            "train_loss": train_loss,
            "train_acc": train_acc,
            "val_loss": val_loss,
            "val_acc": val_acc,
            "lr": optimizer.param_groups[0]['lr']
        }, step=epoch)
    
    wandb.finish()

W&B会自动将所有数据同步到云端，你可在网页端随时查看、对比不同实验的结果，还能生成标准化的实验报告。

总结 #

• 小项目/快速验证：优先选择字典统一管理指标再存CSV，或用TensorBoard做轻量可视化。
• 中大型项目/长期实验：推荐使用W&B这类专业工具，能大幅提升实验管理效率与可追溯性。

内容的提问来源于stack exchange，提问作者test tes