python中tqdm使用,對(duì)于for和while下的兩種不同情況問(wèn)題

更新時(shí)間：2023年08月03日 10:55:57 作者：大橙子的筆記

這篇文章主要介紹了python中tqdm使用,對(duì)于for和while下的兩種不同情況問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教

python tqdm使用,對(duì)于for和while下兩種不同情況

while,for中使用tqdm

關(guān)于"while:"

使用while

關(guān)于"for:"

使用for

結(jié)論

進(jìn)度條出現(xiàn)的形式不一樣

使用tqdm繪制進(jìn)度條的三種方法

tqdm簡(jiǎn)介

tqdm是一個(gè)python進(jìn)度條庫(kù)，可以在 Python長(zhǎng)循環(huán)中添加一個(gè)進(jìn)度提示信息。

3種使用方法

1.tqdm(range)-自動(dòng)更新

import time
from tqdm import range
# 自動(dòng)更新
for i in tqdm(range(10)): # 共可以更新10次進(jìn)度條
    time. Sleep(0.5) # 每次更新間隔0.5s

range(10)意味著這里的進(jìn)度條可以更新10次，由于這里是自動(dòng)更新，所以一次循環(huán)就會(huì)更新進(jìn)度條1，每次更新間隔0.5s。

2.trange()-自動(dòng)更新

import time
from tqdm import trange
for i in trange(10):
    time.sleep(0.5)

這個(gè)的效果和方法1一樣。

3.手動(dòng)控制更新

from tqdm import tqdm
# 用with語(yǔ)句，進(jìn)度條完成后會(huì)自動(dòng)關(guān)閉
with tqdm(total=10) as pbar:
    for i in range(10):
        time. Sleep(0.5)
        pbar.update(1)
# 變量在外部創(chuàng)建，進(jìn)度結(jié)束后手動(dòng)關(guān)閉
phar = tqdm(total=100)
for i in range(100):
    time.sleep(0.1)
    phar.update(1)
phar.close()

這里的total=10意味著這里的進(jìn)度條可以更新十次，由于這里是手動(dòng)更新，需要使用update()方法，update(1)意味著每次更新進(jìn)度1，每次更新間隔0.5s。

應(yīng)用舉例

以方法3在有關(guān)代碼中的使用為例，其代碼可以這樣寫(xiě)：

# 開(kāi)始訓(xùn)練
for epoch in range(num_epochs):
    train_l_sum, train_acc_sum, n, start = 0.0, 0.0, 0, time. Time()
    with tqdm(total=468, desc="Epoch: %d" % epoch) as pbar:
        for idx, (X, y) in enumerate(train_iter, 0):
            X = X.to(device)
            y = y.to(device)
            y_hat = net(X)
            l = loss(y_hat, y).sum()
            optimizer.zero_grad()
            l.backward()
            optimizer. Step()
            train_l_sum += l.item()
            train_acc_sum += (y_hat.argmax(dim=1) == y).float().sum().item()
            n += y.shape[0]
            pbar.update(1) # 更新一次進(jìn)度1
        test_acc = evaluate_accuracy(test_iter, net)
        # 在進(jìn)度條上顯示有關(guān)信息
        pbar.set_postfix({
            'loss': '%.4f' % (train_l_sum / n),
            'train acc': '%.3f' % (train_acc_sum / n),
            'test acc': '%.3f' % test_acc ,
            'time': '%.1f time. Time.time() - start)
        })