TensorBoardX add_image()输出图片与torchvision.transforms.Normalize()标准化需要注意的地方

最新推荐文章于 2024-11-26 20:21:00 发布
最新推荐文章于 2024-11-26 20:21:00 发布
阅读量7.8k 收藏 9
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 深度学习 Python 文章标签： pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/halchan/article/details/102857521
本文介绍了在使用TensorBoardX的add_image()输出图片时应注意的事项，包括label_name的唯一性、图像维度和值域范围。同时，详细讨论了torchvision.transforms.Normalize()在图像标准化过程中的作用，指出其会将图像值域转换到[-1, 1]，并提供了相关转换的公式。" 127674151,8086594,YOLOv5改进：添加SE注意力机制,"['目标检测', '深度学习', '计算机视觉', '神经网络', 'YOLO']

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

TensorBoardX add_image()输出图片与torchvision.transforms.Normalize()标准化

版权归属：

更多关注：

1、TensorBoardX add_image()输出图片需要注意的地方

pytorch中调用TensorBoardX显示图片的方法如下：

from tensorboardX import SummaryWriter

writer = SummaryWriter(log_dir)
# display image
writer.add_image('label_name', img, global_step=total_step)

首先，label_name必须是一个唯一的名字，特别需要注意的是防止与add_scale()中的名字重复，这样子会出现莫名的错误；

其次，参数img可以是numpy or torch.Tenso

最低0.47元/天 解锁文章

200万优质内容无限畅学
深度学习：pytorch 图片呈现 tensorboard (add_image)控制台自学调试检验，含终极代码
2301_80127898的博客
02-09 593
摘要：讲解如何自学，含终极代码，效果如封面图
Tensorboard(二)：add_image()
rensweet的博客
12-24 2386
一、前期工作：数据集下载 将数据集下载好后，解压并放入项目文件夹中 二、函数介绍 add_image() 函数说明 三、运行过程 代码基于上一篇笔记(2条消息) Tensorboard的使用（一）writer.add_scalar()，SummaryWriter()_rensweet的博客-CSDN博客修改 假设取数据集第一张图片，复制图片的相对地址 运行以下代码报错 报错1：Assertion failed 原因：ndarry： 但add_image(...
TensorBoard的使用2（add_image函数）
weixin_44943389的博客
11-06 3084
函数参数需要的是tensor类型的数据，如何把pil，jpegimage类型的数据要转换成为能用的数据类型。在该页面中可以拖动step来查看不同的step对应的图片。通过这样的方式获得函数所需要的数据类型。传递参数的过程中参数不要写死。出现上面内容证明已经安装好了。
Tensorboard的使用（二）：add_image()的使用
jbkjhji的博客
11-06 1271
add_image()添加的图片的格式
pytorch-tensorboard的基本用法二——add_image()
qq_51539256的博客
07-01 1485
pytorch-tensorboard的基本用法二——add_image()
TensorBoard中的add_image()和add_scalar()
最新发布
m0_62977737的博客
11-26 1075
用于记录训练过程中生成的图像、模型预测的图像、或者其他图像类型数据。：你也可以记录每个 epoch 或 batch 的准确率或其他评价指标，查看模型的性能变化。方法记录每个训练步骤或每个 epoch 的损失值，帮助你跟踪模型是否正在收敛。方法记录一个标量值（例如训练过程中的损失值或准确率），并将其与训练步骤（：可以记录学习率的变化，特别是在使用学习率调度器时，查看学习率的变化趋势。，以便监控模型训练过程中的一些指标（如损失、准确率等）。，以便在训练过程中查看模型的图像数据。：在训练过程中，你可以用。
使用pytorch，解决tensorboard显示图片问题
rouyiou的博客
01-30 653
tensorboard如何找到可视化的界面
5.TensorBoard的使用(二)--add_image()
m0_57190127的博客
09-15 569
tensorboard image,sclar
qq_33204297的博客
03-17 609
tf.summary.scalar() 用于显示标量，例如损失、精度曲线等。 tf.summary.image(name,tensor,image_number) 同于显示图片 变量含义: name:命名 tensor:张量，通道数最大为4 image_number:输出图片数量 例如： 输出：conv的tensor为[128,28,28,32] 含义： batch_size为128,图片大小...
Tensorboard显示图片示例
Victor_Li_的博客
09-27 465
win+R打开终端,输入tensorboard --logdir C:\Users\ASUS\.spyder-py3\log4\imagessummary_log。
TensorFlow保存TensorBoard图像操作
09-16
主要介绍了TensorFlow保存TensorBoard图像操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
tensorflow通过模型文件,使用tensorboard查看其模型图Graph方式
09-18
今天小编就为大家分享一篇tensorflow通过模型文件,使用tensorboard查看其模型图Graph方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
用 tensorboard 显示 生成网络（generator）中间层图像
juebai123的博客
11-12 1688
为了对比，还需要一个能显示 tensorflow 中间层图像的方法 搜索了一下，有几种方法，先按《TensorFlow人工智能引擎入门教程之四 TensorBoard面板可视化管理》来试试 要运行该文，先运行前一篇《TensorFlow人工智能引擎入门教程之三 实现一个自创的CNN卷积神经网络》 先下载数据集 https://raw.githubusercontent.com/petar/Go...
Pytorch手写数字集为例基于Tensorboard可视化图像——add_image() and torchvision.utils.make_grad
垃圾就应该待在垃圾桶里的博客
08-31 1708
文章目录前言一、add_image()1.具体参数及介绍见之前博客——可视化工具Tensorboard2.pytorch源码——手写数字集为例3.可视化操作步骤：Tensorboard的打开方式见之前可视化损失函数的步骤二、torchvision.utils.make_grad制作网格图像对于batch大于1的时候，一张一张的显示显然很麻烦，如果我们使用网格的展示方法，把整个batch的图像显示出来会更好。1.具体参数及介绍见之前博客——可视化工具Tensorboard2.pytorch源码——手写数字集.
使用tensorboard输出可视化图形
wumingshi159的博客
04-27 1854
#使用tensorboard ##使用pycharm使用tensorboard 使用环境： win10，pycharm，tensorboard2.1.1 在terminal窗口使用语句tensorboard时最开始使用语句 tensorboard --logdir=./路径或者tensorboard --logdir=相对路径，tensorboard --logdir=绝对路径。均无法正常使用，报错入下： 检查后使用语句 python -m tensorboard.main --logdir=LOL --
TensorBoard的使用，add_image()的使用。
Joining667的博客
03-01 817
TensorBoard的使用，add_image()的使用。
Halcon可视化之add_image
weixin_43488529的博客
11-09 3646
add_image引言1、 add_image案例1.1 crop_part结果1.2 add_image结果2、 分析关键函数功能作用2.1 add_image (Operator)2.1.1 函数2.1.2 分析3、联合MFC进行图像显示 引言 1、 add_image案例 * This example demonstrates how to add two images with * the operator 'add_image'. * * dev_close_window () ..
在Keras下使用Tensorboard写入图片
sinat_18131557的博客
05-13 515
在Keras中调用Tensorboard可以直接创建一个Tensorboard对象，在model.fit的callbacks里面就好了，但是有的时候需要添加图片到Tensorboard里面去，直接使用Tensorboard就不行了，需要重写一下Tensorboard。比如在下图中，需要将验证数据集的第一个数据绘制出来并显示结果，那么 import tensorflow as tf import matplotlib.pyplot as plt import io class CustomTensorBoa
Tensorboard学习（2.绘制image图像）
m0_57704424的博客
04-26 491
利用Tensorboard，绘制image图像进行展示。
# This is a sample Python script. # Press Shift+F10 to execute it or replace it with your code. # Press Double Shift to search everywhere for classes, files, tool windows, actions, and settings. import torch import torchvision from PIL.Image import Image from torch.utils.tensorboard import SummaryWriter from torch import nn, optim from torch.utils.data import dataloader from torchvision.transforms import transforms from module import MyModule train = torchvision.datasets.CIFAR10(root="../data",train=True, download=True, transform= transforms.ToTensor()) vgg_model = torchvision.models.vgg16(pretrained=True) vgg_model.classifier.add_module('add_linear', nn.Linear(1000,2)) #ToImage = transforms.ToPILImage() #Image.show(ToImage(train[0][0])) train_data = dataloader.DataLoader(train, batch_size = 128, shuffle=True) model = MyModule() epochs = 5 learningRate = 1e-3 optimizer = optim.SGD(model.parameters(),lr = learningRate) loss = nn.CrossEntropyLoss() Writer = SummaryWriter(log_dir="Training") step = 0 for epoch in range(epochs): total_loss = 0 for data,labels in train_data: y = vgg_model(data) los = loss(y,labels) optimizer.zero_grad() los.backward() optimizer.step() Writer.add_scalar("Training",los,step) step = step + 1 if step%100 == 0: print("Training for {0} times".format(step)) total_loss += los print("total_loss is {0}".format(los)) Writer.close() torch.save(vgg_model,"model_vgg.pth")将以上代码修改为二分类
05-30
好的，以下是将代码修改为二分类的版本： ``` import torch import torchvision from torch.utils.tensorboard import SummaryWriter from torch import nn, optim from torch.utils.data import DataLoader from torchvision.transforms import transforms from module import MyModule # 加载数据集 train_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]) train_dataset = torchvision.datasets.CIFAR10(root="../data", train=True, download=True, transform=train_transform) train_loader = DataLoader(train_dataset, batch_size=128, shuffle=True) # 构建VGG网络并修改输出层 vgg_model = torchvision.models.vgg16(pretrained=True) vgg_model.classifier = nn.Sequential( nn.Linear(25088, 4096), nn.ReLU(inplace=True), nn.Dropout(), nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Dropout(), nn.Linear(4096, 2), nn.LogSoftmax(dim=1) ) model = MyModule() # 设置超参数 epochs = 5 learning_rate = 0.001 optimizer = optim.SGD(vgg_model.parameters(), lr=learning_rate) loss_fn = nn.NLLLoss() writer = SummaryWriter(log_dir="Training") step = 0 # 训练模型 for epoch in range(epochs): total_loss = 0 for data, labels in train_loader: optimizer.zero_grad() output = vgg_model(data) loss = loss_fn(output, labels) loss.backward() optimizer.step() writer.add_scalar("Training Loss", loss, step) step += 1 if step % 100 == 0: print("Training for {0} times".format(step)) total_loss += loss.item() print("Epoch {0}, total loss: {1}".format(epoch + 1, total_loss)) writer.close() # 保存模型 torch.save(vgg_model, "model_vgg.pth") ``` 在这个版本中，我们使用了`nn.LogSoftmax`作为最后一层的激活函数，并使用`nn.NLLLoss()`作为损失函数。同时，我们将VGG网络的输出层修改为一个具有两个输出节点的线性层。另外，我们还对输入图片进行了大小调整和归一化处理。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值