Tensorboard使用

一、认识Tensorboard

TensorBoard 是一个由 TensorFlow 提供的可视化工具，它可以帮助用户理解、调试和优化机器学习模型。TensorBoard 能够展示模型的训练过程，包括但不限于以下几个方面：

1. 标量值（Scalars）：展示训练和验证过程中的损失值、准确率等指标随时间的变化。

2. 图像（Images）：可视化网络层的激活图、输入数据的样本等。

3. 直方图（Histograms）：展示网络参数（如权重和偏置）的分布情况。

4. 嵌入（Embeddings）：将高维数据降维到二维或三维空间，以便可视化。

5. 图（Graphs）：展示模型的计算图，包括网络结构和操作。

TensorBoard 是一个由 TensorFlow 提供的开源工具套件，用于在训练机器学习模型期间进行数据可视化。TensorBoard 通过读取 TensorFlow 的事件文件来运行，这些文件包含了在 TensorFlow 运行中涉及到的主要数据。用户可以通过创建 TensorFlow 图和选择汇总点来生成汇总数据，然后使用 tf.train.SummaryWriter 将数据写入磁盘。启动 TensorBoard 后，可以通过浏览器访问 localhost:6006 查看可视化结果。

二、认识 add_scalar（）

add_scalar 方法是 TensorBoard 的 SummaryWriter 类的一个方法，用于记录标量数据。这些数据通常用于追踪模型训练过程中的指标，如损失值、准确率等。下面是 add_scalar 方法的一些关键参数和它们的用途：

tag: 这是一个字符串，用于标识记录的数据。就是名称。在 TensorBoard 中，相同的 tag 会被归类到一起，以便进行比较和分析。

scalar_value: 这是要记录的实际标量值。它可以是任何数值，通常表示某个度量指标。如上图显示的纵坐标。

global_step: 这是一个可选参数，表示当前的全局步数或迭代次数。它用于在 TensorBoard 中绘制数据时，将数据点与训练过程中的特定步骤相关联。通常，这个值会在每次训练迭代后增加。如上图显示的横坐标。

对代码行进行注释的方法是: Ctrl + /

示例代码：

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter("logs")

for i in range(100):
	# y = x就是tag,两个i分别是scalar_value和global_step
    writer.add_scalar("y = x", i, i)
writer.close()

代码注释：

# 从torch.utils.tensorboard模块导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter

# 创建一个SummaryWriter对象，它负责将数据写入TensorBoard日志文件
# "logs"是日志文件的保存目录
writer = SummaryWriter("logs")

# 这里是一个示例调用，用于添加图像数据到TensorBoard
# 由于没有具体的图像数据，这里只是显示了函数的调用方式
# writer.add_image(tag, global_step=None, walltime=None, data=None)

# 开始一个循环，用于模拟训练过程，这里循环100次
for i in range(100):
    # 使用add_scalar方法向TensorBoard添加标量数据
    # "y = x"是数据的标签，用于在TensorBoard中标识这些数据
    # i是当前的全局步数（global_step），通常用于表示训练过程中的迭代次数
    # i也是我们添加的标量数据的值，这里简单地使用i作为示例
    writer.add_scalar("y = x", i, i)

# 完成数据记录后，关闭SummaryWriter对象
# 这是必须的，以确保所有数据都被正确地写入到日志文件中
writer.close()

在terminal终端中输入：logdir = 文件名

tensorboard --logdir = logs

回车生成：

点击连接即可生成在线表格图：

注意：如果出现多条不同线段（如下图），解决办法通常是把pycharm左边的logs文件夹中的所有文件给删除掉。

解决方法:把logs下的文件全部删除

三、add_image()的使用

代码：

from PIL import Image
img = Image.open(image_path)
print(type(img))
import numpy as np
img_array = np.array(img)
print(type(img_array))

对上面代码进行逐行分析：

def add_image(self, tag, img_tensor, global_step=None, walltime=None, dataformats="CHW"):

• tag表示图像的标题
• global_step表示训练步骤，通常是int形
• 其他数据一般不用管
• img_tensor是图像的数据类型，往往有以下的 torch.Tensor, numpy.ndarray, or string/blobname类型。

img_tensor (torch.Tensor, numpy.ndarray, or string/blobname): Image data

四、Image模块

from PIL import Image

Image模块功能有：【图像打开和保存】、【图像操作：包括图像的旋转、翻转、缩放、裁剪等】、【图像合成：可以将多个图像合成在一起，创建复杂的图像效果】、【文件格式支持：支持多种图像文件格式，如 JPEG、PNG、GIF、TIFF 等】【颜色转换：支持不同颜色模式之间的转换，如从 RGB 转换到 CMYK】

查看Image.open()打开图片的格式：

from PIL import Image
img = Image.open(image_path)
print(type(img))

输出结果：

发现该类型不满足img_tensor的图像数据类型。

该代码是将img的PIL形转换为numpy形，在赋值给img_array

import numpy as np
img_array = np.array(img)
print(type(img_array))

结果：

可以看到成功转换成numpy.ndarray形。
从PIL到numpy,需要在add_image()中指定shape中每一个数字/维表示的含义

最终代码：

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image

writer = SummaryWriter("logs")
image_path = "Dataset/train/ants/0013035.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)
print(type(img_array))
print(img_array.shape)
writer.add_image("test",img_array,1,dataformats='HWC')