Visual Studio Code 中对 PyTorch 的支持

除了支持 Jupyter Notebook 之外，Visual Studio Code 还提供了许多 PyTorch 开发者特别感兴趣的功能。本文介绍了其中一些功能，并说明了它们如何帮助您完成项目。如果您不熟悉 PyTorch 开发，Microsoft Learn 提供了 PyTorch 入门 学习路径，其中涵盖了 PyTorch 深度学习的基础知识。

对 Tensor 和数据切片的数据查看器支持

VS Code 提供了一个 数据查看器，允许您浏览代码和 Notebook 中的变量，包括 PyTorch 和 TensorFlow Tensor 数据类型。此外，数据查看器还支持数据切片，允许您查看高维数据的任意 2D 切片。

要访问数据查看器，您可以从 Notebook 变量资源管理器中打开它，方法是单击任何 Tensor 变量旁边显示的数据查看器图标。您还会注意到变量资源管理器也会显示 Tensor 的形状/维度。

或者您可以通过右键单击调试器中的任何 Tensor 变量并选择“在数据查看器中查看值”来从 Python 调试会话中打开它。

如果您有三维或更高维度的数据（numpy ndarray、PyTorch Tensor 或 TensorFlow EagerTensor 类型），默认情况下会在数据查看器中打开一个数据切片面板。使用该面板，您可以使用输入框以编程方式使用 Python 切片语法指定切片，或者您也可以使用交互式“轴”和“索引”下拉菜单进行切片。

除了切片之外，您还可以通过在每个列名称下的筛选器中搜索“inf”或“NaN”等关键字来搜索感兴趣的值。

TensorBoard 集成

TensorBoard 是一个数据科学伴侣仪表板，可帮助 PyTorch 和 TensorFlow 开发者可视化数据集和模型训练。通过将 TensorBoard 直接集成到 VS Code 中，您可以检查模型的预测，查看模型的架构，分析模型随时间的损失和准确性，并分析代码以找出最慢的部分。

要启动 TensorBoard 会话，请打开“命令面板”（⇧⌘P（Windows、Linux Ctrl+Shift+P））并搜索命令“Python：启动 TensorBoard”。之后，系统会提示您选择 TensorBoard 日志文件所在的文件夹。默认情况下，VS Code 使用您当前的工作目录，并自动检测任何子目录中的 TensorBoard 日志文件。但是，您也可以指定自己的目录。然后，VS Code 将打开一个带有 TensorBoard 的新选项卡，并在您工作时管理其生命周期。

您还可以使用设置 python.tensorboard.logDirectory 为您的文件夹/工作区设置默认的 TensorBoard 日志目录。

PyTorch Profiler 集成

除了 TensorBoard，VS Code 和 Python 扩展还集成了 PyTorch Profiler，让您可以在一个地方更好地分析 PyTorch 模型。有关 Profiler 的更多信息，请参阅 PyTorch Profiler 文档。

通过 Pylance 语言服务器提供 IntelliSense

VS Code 中通过 Pylance 的强大功能增强的 Python 编辑体验为 PyTorch 提供了补全和其他丰富的功能。为了获得最佳体验，请将 PyTorch 更新到 1.10.1 版，以获得对 nn、cuda 和 optim 等子模块的改进补全。