### 使用 Gradio 显示 Transformers 模型训练过程中的输出 为了在 Gradio 界面中显示 Transformer 模型的训练输出或日志，可以采用一种方法：创建一个动态更新的日志文件，并通过 Gradio 的 `Text` 或 `Markdown` 组件来展示该日志的内容。以下是实现这一目标的具体方式： #### 方法概述 可以通过 Python 中的 `logging` 库记录模型训练期间的关键信息，并将这些日志保存到本地文件中。随后，在 Gradio 接口中设置一个按钮或其他触发器，用于读取并实时刷新此日志文件的内容。 #### 实现代码示例 以下是一个完整的代码示例，展示了如何利用 Gradio 和 Hugging Face Transformers 来完成这个功能： ```python import logging from transformers import TrainerCallback, TrainingArguments, Trainer from datasets import load_dataset import gradio as gr # 配置日志记录器 log_file_path = "training_log.txt" logging.basicConfig( filename=log_file_path, level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s' ) class LoggingCallback(TrainerCallback): """自定义回调函数，用于记录每一步的训练状态""" def on_log(self, args, state, control, logs=None, **kwargs): log_message = f"Step {state.global_step}: Loss={logs.get('loss', 'N/A')}" logging.info(log_message) def train_model(): dataset = load_dataset("common_voice", "en", split="train[:1%]") training_args = TrainingArguments( output_dir="./results", num_train_epochs=1, per_device_train_batch_size=8, save_steps=10_000, logging_steps=5, ) trainer = Trainer( model_init=lambda: None, # 替换为实际模型初始化逻辑 args=training_args, train_dataset=dataset, callbacks=[LoggingCallback()] ) trainer.train() def read_logs(): with open(log_file_path, "r") as file: content = file.read() return content with gr.Blocks() as demo: with gr.Row(): start_button = gr.Button("Start Training") refresh_button = gr.Button("Refresh Logs") log_output = gr.Textbox(label="Training Log Output", lines=20) start_button.click(fn=train_model, outputs=None) refresh_button.click(fn=read_logs, outputs=log_output) demo.launch() ``` #### 关键点说明 - 日志配置部分设置了基本的日志路径以及格式化字符串[^1]。 - 自定义了一个名为 `LoggingCallback` 的类继承于 `TrainerCallback`，以便每次有新的日志条目时自动写入指定文件[^1]。 - 提供两个主要操作给用户：一个是启动训练进程；另一个是从磁盘重新加载最新的日志数据以反映当前进度[^2]。 #### 注意事项 当尝试这种方法时需要注意几点： - 训练脚本可能需要较长时间才能结束，因此建议考虑异步执行机制或者后台线程管理长期运行的任务。 - 如果计划部署至生产环境，则应进一步优化资源管理和错误处理策略。