如何在Pytorch Lightning中禁用进度条

我对Pytorch Lightning中的TQM进度条有很多问题：

• 当我在终端上运行培训时，进度条会自动覆盖。在培训历元结束时，验证进度条将打印在培训条下，但当该进度条结束时，下一个培训历元的进度条将打印在上一个历元的进度条上。因此，不可能看到以前时代的损失

INFO:root:Name类型参数
0 l1线性7 K
第二纪元：56%|████████████▊          | 2093/3750[00:05在Trainer中使用命令
show_progress_bar=False
。
F.Y.I.
show_progress_bar=False
自0.7.2版以来已弃用，但您可以使用
progress_bar\u refresh\u rate=0

我想知道这些问题是否可以解决，或者如何禁用进度条，而只是在屏幕上打印一些日志详细信息

据我所知，这个问题还没有解决。pl团队指出这是“与TQM相关的事情”，他们对此无能为力。也许你想看看

我的临时解决方案是：

from tqdm import tqdm

class LitProgressBar(ProgressBar):
   
    def init_validation_tqdm(self):
        bar = tqdm(            
            disable=True,            
        )
        return bar

bar = LitProgressBar()
trainer = Trainer(callbacks=[bar])

此方法仅禁用验证进度栏，并允许您保留正确的培训栏[和]。请注意，使用
progress\u bar\u refresh\u rate=0
将禁用所有进度条的更新。
最近，我注意到，在
Trainer
中将自定义进度条传递给回调时，将忽略此选项。因此，如果要更改进度条的刷新率，请使用'bar=LitProgressBar（refresh\u rate=your\u refresh\u rate）'而不是1.0.5中的'bar=LitProgressBar（）'这不再有效（请参见下面的答案）
INFO:root:  Name    Type Params
0   l1  Linear    7 K
Epoch 1:  50%|█████     | 1875/3750 [00:05<00:05, 322.34batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  50%|█████     | 1879/3750 [00:05<00:05, 319.41batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  52%|█████▏    | 1942/3750 [00:05<00:04, 374.05batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  53%|█████▎    | 2005/3750 [00:05<00:04, 425.01batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  55%|█████▌    | 2068/3750 [00:05<00:03, 470.56batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  57%|█████▋    | 2131/3750 [00:05<00:03, 507.69batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  59%|█████▊    | 2194/3750 [00:06<00:02, 538.19batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  60%|██████    | 2257/3750 [00:06<00:02, 561.20batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  62%|██████▏   | 2320/3750 [00:06<00:02, 579.22batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  64%|██████▎   | 2383/3750 [00:06<00:02, 591.58batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  65%|██████▌   | 2445/3750 [00:06<00:02, 599.77batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  67%|██████▋   | 2507/3750 [00:06<00:02, 605.00batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  69%|██████▊   | 2569/3750 [00:06<00:01, 607.04batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]
Epoch 1:  70%|███████   | 2633/3750 [00:06<00:01, 613.98batch/s, batch_nb=1874, loss=1.534, training_loss=1.72, v_nb=49]

from tqdm import tqdm

class LitProgressBar(ProgressBar):
   
    def init_validation_tqdm(self):
        bar = tqdm(            
            disable=True,            
        )
        return bar

bar = LitProgressBar()
trainer = Trainer(callbacks=[bar])