tqdm是python中的一個用來供我們建立進度條的庫。在進行深度學習的研究時，我們可以使用這個庫為我們直觀地展示當前的訓練進度，下面來說說如何在mini-batch優化中使用這個庫。

我希望程式能夠在每一個epoch都使用進度條來顯示當前epoch的訓練情況，我使用的程式碼如下：

1 from tqdm import tqdm #從tqdm庫中匯入tadm類
2 
3 for epoch in range(epochs): #訓練輪次
4     with tqdm(total = batch_num, desc=f'Epoch {epoch+1}/{epochs}', unit='it') as pbar: #
 
建立一個進度條
5         for batch_idx in range(batch_num): #mini-batch訓練
6             ...
7             pbar.set_postfix({'batch_loss:'loss}) #在進度條後顯示當前batch的損失
8             pbar.update(1) #更當前進度，1表示完成了一個batch的訓練

所得到的的進度條如下圖所示：

“from tqdm import tqdm”就是從tqdm庫中匯入tqdm類。一開始我寫成了“import tqdm”，導致程式報錯，所以這一點要注意。

"with tqdm(total = batch_num, desc=f'Epoch {epoch+1}/{epochs}', unit='it') as pbar: #建立一個進度條"使用python的with結構來建立一個tqdm物件pbar。如果不使用with結構，就需要在一次epoch訓練的結尾呼叫tqdm物件的close()函式。這一語句中各個引數的意思是：

total：為一個epoch中batch的總數量，即迭代的總次數；

desc：放在進度條最前的一段描述，在此顯示的是當前的epoch及總共需要多少個epoch；

unit：迭代速度的單位，it是iteration的簡寫，這裡指的是以每秒完成多少次迭代作為速度度量並顯示在進度條上，見上圖中的“1.41it/s”。

“pbar.set_postfix({'batch_loss:'loss}) #在進度條後顯示當前batch的損失”，在進度條的最後顯示當前batch的損失，如圖中的“batch_loss=1.66e+5”。

pbar.update(1)用來更新進度，這裡的1指的是完成了一個batch的訓練，讓進度條加1。

上圖中的“03:21<01:21”分別顯示訓練當前batch已經花費的時間和還需要消耗的時間。