记录指标与数据

Tracker 初始化

from trailer import Tracker

t = Tracker(project="demo")
t = Tracker(project="demo", resume_from="run_a1b2c3")     # 恢复历史 run
t = Tracker(project="demo", config={"lr": 0.01})          # 记录超参
t = Tracker(project="demo", metric_directions={"accuracy": "max"})

记录标量指标

t.log({"loss": 0.5, "accuracy": 0.91}, step=10)

• 一次可记录多个指标,字典 key 为指标名
• step 可选;不传时自动递增
• 支持 TensorBoard 风格分组命名:train/loss、val/accuracy,前端自动分组

Step 语义

• 显式 step:精确控制 x 轴
• 自动步进:连续 log 会自动 +1
• 指标与硬件监控采样在 x 轴(step)上对齐,可切 Step / Wall Time 视图

断点续训(resume)

t = Tracker(project="demo", resume_from="run_a1b2c3")   # 恢复:复用 run_id,从 last_step 继续

• 传同一个 run_id 给 resume_from,新数据会追加到旧 run 而不是新建。首次运行时把 t.run_id 持久化(如写入 checkpoint 文件),以便日后恢复
• 恢复时 SDK 会向 server 查询该 run 的 last step,自动步进从 last_step + 1 继续;若用显式 step=,x 轴起点由你自己控制
• resume 协商总是走 HTTP(POST /api/v1/runs/{id}/resume + GET /api/v1/runs/{id}/last_step,默认 127.0.0.1:5120),本地模式也不例外。需要先 trailer up,否则协商静默失败、自动 step 从 0 重新开始
• 三种本地存储后端都支持续训:SQLite(storage="sqlite",默认)、文件模式(storage="file", data_dir="data")、PostgreSQL(storage="postgres")

生命周期

t.finish()   # 标记 run 完成(state → finished)

• SDK 后台每 30s 自动心跳;异常退出 60s 后 server 标记 crashed
• finish() 会刷新剩余缓冲并唤醒采样线程,确保最后一步不丢失

性能特性

• 写入走线程安全 RingBuffer(10 万条,P99 < 100µs),log() 不阻塞训练
• 后台 FlushThread 攒批(500 条 / 1s)批量写入,本地模式经 PyO3 直写,零网络