Pytorch使用tensorboardX可视化。超详细

tensorboard --logdir runs 改为 tensorboard --logdir=D:\model\tensorboard\runs

重点 

在网上看了很多方法后发现将原本链接中的计算机名改为localhost，即http://localhost:6006/后能成功解决该问题，显示结果

tensorboard --logdir=D:\model\tensorboard\runs

等号后面为模型保存的路径根目录

直接运行这个命令  然后在浏览器中直接打开网址  如果是本机就是本机地址 如果不是则输入目标主机地址

1 引言

      我们都知道tensorflow框架可以使用tensorboard这一高级的可视化的工具，为了使用tensorboard这一套完美的可视化工具，未免可以将其应用到Pytorch中，用于Pytorch的可视化。这里特别感谢Github上的解决方案： https://github.com/lanpa/tensorboardX。

      本文主要是针对该解决方案提供一些介绍。

     TensorboardX支持scalar, image, figure, histogram, audio, text, graph, onnx_graph, embedding, pr_curve and videosummaries等不同的可视化展示方式，具体介绍移步至项目Github 观看详情。

---

2 环境安装

本教程代码环境依赖：

python 3.6+

Pytorch 0.4.0+

tensorboardX:   pip install tensorboardX、pip install tensorflow

---

3 代码教程

       TensorboardX可以提供中很多的可视化方式，本文主要介绍scalar 和 graph，其他类型相似。

3.1 scalar教程

01_scalar_base.py 代码

        对上述代码进行解释，首先导入：from tensorboardXimport SummaryWriter，然后定义一个SummaryWriter() 实例。在SummaryWriter()上鼠标ctrl+b我们可以看到SummaryWriter()的参数为：def __init__(self, log_dir=None, comment='', **kwargs): 其中log_dir为生成的文件所放的目录，comment为文件名称。默认目录为生成runs文件夹目录。我们运行上述代码：生成结果为：

      当我们为SummaryWriter(comment='base_scalar')。生成结果为：

      当我们为SummaryWriter(log_dir='scalar') 添加log_dir参数，可以看到第二条数据的文件名称包括了base_scalar值。生成结果目录为：

       接着解释writer.add_scalar('scalar/test', np.random.rand(), epoch)，这句代码的作用就是，将我们所需要的数据保存在文件里面供可视化使用。 这里是Scalar类型，所以使用writer.add_scalar()，其他的队形使用对应的函数。第一个参数可以简单理解为保存图的名称，第二个参数是可以理解为Y轴数据，第三个参数可以理解为X轴数据。当Y轴数据不止一个时，可以使用writer.add_scalars().运行代码之后生成文件之后，我们在runs同级目录下使用命令行：tensorboard --logdir runs. 当SummaryWriter(log_dir='scalar')的log_dir的参数值 存在时，将tensorboard --logdir runs 改为 tensorboard --logdir 参数值

       最后调用writer.close()。

      点击链接即可看到我们的最终需要的可视化结果。

可视化效果

       可以分别点击对应的图片查看详情。可以看到生成的Scalar名称为'scalar/test'与'scalar/test'一致。注：可以使用左下角的文件选择你想显示的某个或者全部图片。

3.2 Graph教程

02_graph_model.py 代码

       首先我们定义一个神经网络取名为Net1。然后将其添加到tensorboard可是可视化中。

with SummaryWriter(comment='Net1')as w:

         w.add_graph(model, (dummy_input,))

      我们重点关注最后两句话，其中使用了python的上下文管理，with 语句，可以避免因w.close未写造成的问题。推荐使用此方式。

       因为这是一个神经网络架构，所以使用 w.add_graph(model, (dummy_input,))，其中第一个参数为需要保存的模型，第二个参数为输入值，元祖类型。打开tensorvboard控制台，可得到如下结果。

        点击Net1部分可以将其网络展开，查看网络内部构造。

模型可视化结果

        其他部分可以继续一次展开查看详情。

3.3 网络训练综合教程

        解释完上述两部分知识之后，我们可以综合运用上述两部分内容，实现线性拟合的训练过程中的loss可视化和模型的保存。

03_linear_regression.py 代码 

        我们将运行过程中loss和model分别保存，最后打开tensorboard控制台，可以得到模型结果和loss的结果为下图.

模型可视化结果

        注：不同的graph的可视化可以使用上图Run旁边的下拉框选择。

loss可视化结果

3.4 Tensorboard综合Demo

        本Demo代码为TensorboardX提供的官方Demo代码。

demo.py

最终运行的所有可视化结果为：

最终可视化结果

4 结束语

        本文是我写的第一篇比较完整的文章，大家如果觉得帮助到了你，帮忙点个赞呗。

        本文所有的代码链接为：https://github.com/miaoshuyu/pytorch-tensorboardx-visualization（对你有用的话，麻烦点个小星星呗）