介绍

在进行深度学习模型训练的过程中，一般会设置log日志，将训练过程的中间结果以及最终结果写入，方便再次打开的时候进行查看。
logging的一些函数这里就不作介绍，其他博客讲的十分详细，这里就主要讲如何快速加入到自己的项目中。

举例

logging既可以输出到屏幕(终端显示)，也可以输出到文件，为了在模型中断或者运行时间较长时方便查看log信息。

1.引入头文件

import logging
import argparse
import time

2.封装函数

首先需要对logger进行一些初始化，将其封装成一个函数便于调用。直接copy到项目里面

def create_logger(logger_file_path):if not os.path.exists(logger_file_path):os.makedirs(logger_file_path)log_name = '{}.log'.format(time.strftime('%Y-%m-%d-%H-%M'))final_log_file = os.path.join(logger_file_path, log_name)logger = logging.getLogger()  # 设定日志对象logger.setLevel(logging.INFO)  # 设定日志等级file_handler = logging.FileHandler(final_log_file)  # 文件输出console_handler = logging.StreamHandler()  # 控制台输出# 输出格式formatter = logging.Formatter("%(asctime)s %(levelname)s: %(message)s ")file_handler.setFormatter(formatter)  # 设置文件输出格式console_handler.setFormatter(formatter)  # 设施控制台输出格式logger.addHandler(file_handler)logger.addHandler(console_handler)return logger

3.在程序入口调用

在调用creat_logger()函数之前，需要先将log文件的保存路径添加到参数列表中（也可以直接对creat_logger函数进行传参）。
creat_logger()函数实现了：路径不存在则自动创建路径，log文件名则是根据日期命名

if __name__ == '__main__':parser = argparse.ArgumentParser(description='configTemplates')parser.add_argument('-log_path', default='./results', type=str, help='log file path to save result')args = parser.parse_args()logger = create_logger(args.log_path)logger.info('------Begin Training Model------')

4. 记录训练过程

接下来在训练过程中，计算出每轮训练结果后写入日志文件
想写入哪个数据就在该数据下调用info函数
例如：

	cIOU = metric.evaluate()[0][1]cIOU *= 100.0pixAcc = 1.0 * total_correct / (np.spacing(1) + total_label)#计算出当前结果后调用info函数进行写入日志文件logger.info('cIOU:  {}, PA:  {}'.format(cIOU, pixAcc))