可视化

最新推荐文章于 2022-03-28 15:46:45 发布

3阿谭

最新推荐文章于 2022-03-28 15:46:45 发布

阅读量604

点赞数

分类专栏： pytorch 文章标签： PyTorch tensorboard tensorboardX 可视化

本文链接：https://blog.csdn.net/baidu_39295879/article/details/90376259

版权

本文介绍了PyTorch训练中使用tensorboardX进行可视化的方法，包括标量、权重直方图、feature map、模型图、混淆矩阵的可视化，并详细解释了混淆矩阵的概念、统计和可视化过程。

摘要由CSDN通过智能技术生成

首先把tensorboardX导入并进行初始化:

from tensorboardX import SummaryWriter
# 定义Summary_Writer
writer = SummaryWriter('./Result')   # 数据存放在这个文件夹

基础函数

add_scalar()
add_scalar(tag, scalar_value, global_step=None, walltime=None)
在一个图表中记录一个标量的变化，常用于 Loss 和 Accuracy 曲线的记录。

add_scalars()
add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)
在一个图表中记录多个标量的变化，常用于对比，如 trainLoss 和 validLoss 的比较等

add_histogram()
add_histogram(tag, values, global_step=None, bins='tensorflow', walltime=None)
绘制直方图和多分位数折线图，常用于监测权值及梯度的分布变化情况，便于诊断网络更新方向是否正确。

add_image()
add_image(tag, img_tensor, global_step=None, walltime=None)
绘制图片，可用于检查模型的输入，监测 feature map 的变化，或是观察 weight。
拓展：torchvision.utils.make_grid()
torchvision.utils.make_grid(tensor, nrow=8, padding=2, normalize=False, range=None, scale_each=False, pad_value=0)
将一组图片拼接成一张图片，便于可视化。

add_graph()
add_graph(model, input_to_model=None, verbose=False, **kwargs)
绘制网络结构拓扑图。

add_embedding()
add_embedding(mat, metadata=None, label_img=None, globa