Tensorboard : 可视化工具

writer.add_scalar ( ) 用法介绍：

1. 引入相应的库函数，并创建 writer 实例：

from torch.utils.tensorboard import SummaryWriter

# 创建实例，指定存储的文件夹名称
writer = SummaryWriter("log")

2. 介绍函数用法：writer.add_scalar ( )

# 一个例子：绘制：y = 2x 函数图像

# writer.add_scalar("图像标题", y轴（训练步数）, x轴（需存储的值）)

for i in range(100):
    writer.add_scalar("y=2x",2*i,i)

3. 如何打开 Tensorboard 生成的可视化文件：

在终端 (terminal) 输入指令：tensorboard --logdir=log（指定文件夹）--port=6007（指定端口号）

输出的可视化结果：

4. 关闭 writer 实例：

# 关闭
writer.close()

writer.add_image ( ) 用法介绍： 

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

# 存储可视化文件的 “文件夹名称”
writer = SummaryWriter("pic")
# 此处自行修改并填写：需显示的图片路径名称
image_path = "..."

# 读取图片，并调整格式
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)

# writer.add_image方法，标题：test，图片内容：img_array，训练步数（y轴）：1，图片格式设置：‘HWC’
writer.add_image("test", img_array, 1, dataformats='HWC')

writer.close()

输出的可视化结果：

writer.add_graph ( ) 用法介绍： 

import torch
from torch import nn
from torch.nn import Flatten, Sequential
from torch.utils.tensorboard import SummaryWriter


# 搭建图示网络
class M (nn.Module):
    # 定义后续将使用的网络模块
    def __init__ (self):
        super(M, self).__init__()
        # 使用 Sequential，有助于简化网络搭建过程，如下所示，以此类推
        self.model1 = Sequential (
        nn.Conv2d(3, 32, 5, padding=2),
        nn.MaxPool2d(2),
        nn.Conv2d(32, 32, 5, padding=2),
        nn.MaxPool2d(2),
        nn.Conv2d(32, 64, 5, padding=2),
        nn.MaxPool2d(2),
        Flatten(),
        nn.Linear(1024, 64),
        nn.Linear(64, 10)
        )
    # 定义前向传播
    def forward(self, input):
        input = self.model1(input)
        return input

# 初始化上述定义的神经网络
m1 = M()

# 测试
q = torch.ones((64,3,32,32))
t = m1(q)
print(t.shape)

writer = SummaryWriter("log")
# 向函数 writer.add_graph 内，分别输入模型 — m1,输入模型的具体数据 - q
writer.add_graph(m1,q)
writer.close()

输出的可视化结果：