【pytorch实战学习】第七篇：tensorboard可视化介绍

• 【pytorch学习实战】第一篇：线性回归
• 【pytorch学习实战】第二篇：多项式回归
• 【pytorch学习实战】第三篇：逻辑回归
• 【pytorch学习实战】第四篇：MNIST数据集的读取、显示以及全连接实现数字识别
• 【pytorch学习实战】第五篇：卷积神经网络实现MNIST手写数字识别
• 【pytorch实战学习】第六篇：CIFAR-10分类实现
• 【pytorch实战学习】第七篇：tensorboard可视化介绍

---

在训练神经网络时，我们希望能更直观地了解训练情况，包括损失曲线、输入图片、输出图片、卷积核的参数分布等信息。这些信息能帮助我们更好地监督网络的训练过程，并为参数优化提供方向和依据。

tensorboard原本是tensorflow的可视化工具，pytorch从1.2.0开始支持tensorboard，之前的版本也可以使用tensorboardX代替。

1. 安装

如果没有你的pytorch版本低于1.2.0，可以直接安装tensorboardX。

pip install tensorboardX

使用的时候区别于pytorch的地方为导入的包不一样，如果直接是用tensorboardX，导入形式如下所示。

from tensorboardX import SummaryWriter

下面的示例中的tensorboard为pytorch中的工具包。

2. 标量图显示(add_scalar)

• 方法

add_scalar(tag, scalar_value, global_step=None, walltime=None)

• tag (string): 数据名称，不同名称的数据使用不同曲线展示。
• scalar_value (float): 数字常量值，也就是画图时候的y轴的值。
• global_step (int, optional): 训练的 step，也就是画图时候的x轴。
• walltime (float, optional): 记录发生的时间，默认为 time.time()

• 举例

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter()#默认当前文件夹，会在当前文件下创建一个runs的文件夹。
# writer = SummaryWriter('qlee/log')
# writer = SummaryWriter('qlee')

# 标量可视化与权重直方图
for n_iter in range(100):
    writer.add_scalar('Loss/scalar', n_iter**2, n_iter) #可视化单个标量值

'''
使用步骤：
tensorboard --logdir=文件夹
浏览器下访问:http://localhost:6006/
'''

• 显示方法

运行程序之后，会在当前目录生成runs文件夹，然后执行下列命令运行可视化：

tensorboard --logdir=runs

之后会生成如下输出

最后打开浏览器，并输入上面输出的地址：

http://localhost:6006/

我们将会看到下列输出形式：

3. 单张图片显示(add_image)

• 方法

add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')

• 参数介绍

• tag (string): 数据名称
• img_tensor (torch.Tensor / numpy.array): 图像数据
• global_step (int, optional): 训练的 step
• walltime (float, optional): 记录发生的时间，默认为 time.time()
• dataformats (string, optional): 图像数据的格式，默认为 ‘CHW’，即 Channel x Height x Width，还可以是 ‘CHW’、‘HWC’ 或 ‘HW’ 等

add_image方法每次只能显示单张图片，方式示例如下：

from tensorboardX import SummaryWriter
import cv2 as cv

writer = SummaryWriter('runs/image_example')
#添加3张图片
for i in range(1, 4):
    writer.add_image('image/add_image',
                     cv.cvtColor(cv.imread('data/{}.png'.format(i)), cv.COLOR_BGR2RGB),
                     global_step=i,
                     dataformats='HWC')

writer.close()

• 显示效果

4. 多张图片显示(add_image + make_grid)

使用 torchvision 中的 make_grid 方法，将多张图片拼合成一张图片后，再调用 add_image 方法显示。

import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from torchvision import datasets, transforms

# 设置输出文件目录
writer = SummaryWriter('runs/test')

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
trainset = datasets.MNIST('mnist_train', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)
model = torchvision.models.resnet50(False)
# Have ResNet model take in grayscale rather than RGB
model.conv1 = torch.nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False)
images, labels = next(iter(trainloader))

grid = torchvision.utils.make_grid(images)
writer.add_image('images', grid, 0)
# 写入图像数据 
writer.add_graph(model, images)
# 写入模型
writer.close()

• 显示效果

5. 模型图(add_graph)

• 方法

add_graph(model, input_to_model=None, verbose=False, **kwargs)

• 参数说明

• model (torch.nn.Module): 待可视化的网络模型
• input_to_model (torch.Tensor or list of torch.Tensor, optional): 待输入神经网络的变量或一组变量

第4步已经添加了使用模型添加了网络模型和输入数据。

模型显示图如下所示：

---

pytorch版本tensorboard：https://pytorch.org/docs/stable/tensorboard.html
官方教程:https://tensorboardx.readthedocs.io/en/latest/tensorboard.html