PyTorch训练可视化：Matplotlib实战指南

1. 为什么需要训练过程可视化

在深度学习模型训练过程中，我们常常会遇到这样的困惑：模型训练了50个epoch，但最终效果不理想，到底是哪个环节出了问题？是学习率设置不当，还是batch size不合理？亦或是模型结构本身存在缺陷？这时候，训练过程可视化就成了我们诊断问题的"X光机"。

我曾在一次图像分类任务中，模型在验证集上的准确率始终卡在85%上不去。通过绘制损失曲线，发现训练损失持续下降但验证损失在某个点后开始上升——典型的过拟合现象。这个发现直接促使我调整了数据增强策略，最终将准确率提升到了92%。这就是可视化的力量。

Matplotlib作为Python生态中最经典的可视化工具，在PyTorch训练监控中有着不可替代的优势：

• 轻量级，无需复杂依赖
• 高度可定制化，能绘制任何你能想到的图表
• 与PyTorch无缝集成，数据提取方便
• 支持交互式操作，便于细节分析

2. 基础可视化：损失曲线与准确率曲线

2.1 数据收集与存储

在PyTorch中实现训练监控，首先需要建立完善的数据记录机制。我推荐使用Python字典配合列表来存储训练过程中的关键指标：

python复制history = {
    'train_loss': [],
    'val_loss': [],
    'train_acc': [],
    'val_acc': [],
    'lr': []
}

在每个epoch结束后，及时更新这些数据：

python复制history['train_loss'].append(train_loss.item())
history['val_loss'].append(val_loss.item())
history['train_acc'].append(train_correct / train_total)
history['val_acc'].append(val_correct / val_total)
history['lr'].append(optimizer.param_groups[0]['lr'])

注意：一定要使用.item()将Tensor转换为Python标量，否则会积累计算图导致内存泄漏

2.2 基础绘图实现

有了数据积累，就可以用Matplotlib绘制基础曲线了。这里分享我最常用的双纵坐标绘图模板：

python复制def plot_history(history):
    fig, ax1 = plt.subplots(figsize=(10, 6))
    
    # 绘制损失曲线
    color = 'tab:red'
    ax1.set_xlabel('Epoch')
    ax1.set_ylabel('Loss', color=color)
    ax1.plot(history['train_loss'], label='Train Loss', color=color, linestyle='--')
    ax1.plot(history['val_loss'], label='Val Loss', color=color)
    ax1.tick_params(axis='y', labelcolor=color)
    
    # 创建第二个纵坐标
    ax2 = ax1.twinx()  
    color = 'tab:blue'
    ax2.set_ylabel('Accuracy', color=color)
    ax2.plot(history['train_acc'], label='Train Acc', color=color, linestyle='--')
    ax2.plot(history['val_acc'], label='Val Acc', color=color)
    ax2.tick_params(axis='y', labelcolor=color)
    
    # 添加图例和标题
    lines1, labels1 = ax1.get_legend_handles_labels()
    lines2, labels2 = ax2.get_legend_handles_labels()
    ax2.legend(lines1 + lines2, labels1 + labels2, loc='upper right')
    plt.title('Training History')
    plt.show()

这个模板的优势