### 使用 Matplotlib 在 VSCode 的 Jupyter Notebook 中绘制 PyTorch 训练过程 在 VSCode 的 Jupyter Notebook 环境下，可以利用 Matplotlib 绘制 PyTorch 模型的训练过程中的损失变化或其他指标的变化曲线。以下是实现这一功能的具体方法： #### 配置环境 为了确保能够顺利运行 PyTorch 并支持 CUDA 加速，在安装依赖项时可参考以下命令[^3]： ```bash pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu113 ``` 此外，还需要安装 `matplotlib` 库用于绘图： ```bash pip install matplotlib ``` #### 实现代码示例 下面是一个完整的代码示例，展示了如何在 VSCode 的 Jupyter Notebook 中使用 Matplotlib 可视化 PyTorch 模型的训练过程。 ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset import numpy as np import matplotlib.pyplot as plt # 设置随机种子以保证实验可重复性 torch.manual_seed(42) # 创建简单的数据集 X_train = torch.linspace(-1, 1, 100).reshape(-1, 1) y_train = X_train ** 2 + 0.1 * torch.randn(X_train.size()) train_dataset = TensorDataset(X_train, y_train) train_loader = DataLoader(train_dataset, batch_size=16, shuffle=True) # 定义模型结构 class SimpleModel(nn.Module): def __init__(self): super(SimpleModel, self).__init__() self.fc = nn.Linear(1, 1) def forward(self, x): return self.fc(x) model = SimpleModel() # 定义优化器和损失函数 criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.1) # 开始训练并记录每轮的平均损失 epochs = 50 losses = [] for epoch in range(epochs): total_loss = 0 for inputs, targets in train_loader: optimizer.zero_grad() # 清零梯度 outputs = model(inputs) # 前向传播 loss = criterion(outputs, targets) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新参数 total_loss += loss.item() avg_loss = total_loss / len(train_loader) losses.append(avg_loss) print(f'Epoch [{epoch+1}/{epochs}], Loss: {avg_loss:.4f}') # 使用 Matplotlib 绘制损失随时间变化的趋势 plt.figure(figsize=(8, 5)) plt.plot(range(1, epochs + 1), losses, label='Training Loss', color='blue') plt.title('Loss Curve During Training') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.grid(True) plt.show() ``` 上述代码实现了以下几个部分的功能： - 数据准备：创建了一个简单的一维回归问题作为训练数据。 - 模型定义：构建了一个单层线性神经网络。 - 训练循环：通过 SGD 优化器更新权重，并计算每一 epoch 的平均损失。 - 结果可视化：使用 Matplotlib 将每次迭代后的平均损失绘制出来[^1]。 #### 关键点说明 1. **动态显示动画** 如果希望像引用中提到的方式那样实时查看训练过程中图像的变化，则需要借助额外工具库如 `FuncAnimation` 或者其他交互式组件。不过需要注意的是，这种操作通常更适合于本地部署而非云端服务环境中执行。 2. **跨平台兼容性** 虽然 HTML 动态渲染适用于某些特定场景下的笔记本界面 (例如 JupyterLab)，但在通用 IDE 如 Visual Studio Code 上可能无法正常工作。因此推荐采用静态图表形式呈现分析结果更为稳妥可靠。 3. **超参调优建议** 对于更复杂的任务来说，手动调整各种超参数可能会变得非常耗时低效；此时引入贝叶斯优化算法可以帮助自动寻找最佳组合方案从而提升效率效果显著[^4]。 ---