pytorch学习笔记_tensorboard

使用TensorBoard进行数据记录与可视化

TensorBoard是一个强大的工具，用于可视化神经网络训练过程中的各种指标，帮助开发者监控模型训练，分析性能并做出相应的调整。

绘制函数

初始化TensorBoard

首先，我们需要引入必要的库并创建一个SummaryWriter实例。这个实例将用于记录数据，数据会被保存在指定的目录下，这里是"logs"目录，所以等全部代码完成并运行后，可以在logs这个文件中找到我们创建的图像对应的文件，如何打开这个文件呢？在后面有叙述。

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")

记录标量数据

在训练过程中，我们经常需要跟踪诸如损失值、准确率等标量数据的变化。这可以通过SummaryWriter的add_scalar方法来实现。我们模拟了一个简单的场景，将函数y=2x的值随着迭代次数的增加而记录下来。

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

• 'y=2x'是标签名，表示我们正在记录的数据类型或实验名称。
• 2*i表示每次迭代计算的值，模拟为损失值或其他标量指标，也就是图中的y。
• i是迭代次数，作为每个点在图表上的x轴位置。

关闭SummaryWriter

完成所有记录任务后，调用writer.close()确保所有数据都被正确地写入磁盘，并且释放了SummaryWriter占用的资源。这一步骤是非常重要的，特别是在记录大量数据或进行长时间运行的训练时。

writer.close()

使用TensorBoard查看数据

一旦数据被记录并保存，我们可以使用TensorBoard来可视化这些数据。在终端中，运行以下命令来启动TensorBoard，并指定日志文件的位置：

tensorboard --logdir=logs

完整代码：

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")
for i in range(100):
    writer.add_scalar('y=2x',2*i,i)
#关于这些参数代表的什么，可以通过文章末尾的链接查看官方文档，里面会有写。
writer.close()

读取图片

读取和处理图像数据

接下来，读取一个图像文件，将其转换为适合记录到TensorBoard的格式。这个过程分为两步：

1. 读取图像：使用Pillow库（PIL）读取图像文件。这里，Image.open(image_path)返回一个PIL Image对象，它提供了丰富的图像处理功能，下面这段代码就是先获取一个图片的地址，然后通过这个地址访问图片，得到图片的数据。

   image_path = "data/train/ants_image/0013035.jpg"
   #注意，要记录对应图片的相对地址
   img_PIL = Image.open(image_path)
   

2. 转换为NumPy数组：将PIL Image对象转换成NumPy数组。这是因为TensorBoard期望图像数据以NumPy数组的形式提供。转换后的数组img_array保留了图像的像素数据，但以NumPy数组的形式表示，便于进行数值操作和分析，简单点说，就是后面的add.image函数需要numpy类型的数据

   img_array = np.array(img_PIL)
   

记录图像到TensorBoard

最后，使用writer.add_image方法将图像数据记录到TensorBoard。这个方法允许指定图像的标签、图像数据本身、记录的步骤（epoch或迭代次数），以及数据的格式。

• “test”：图像的标签，在TensorBoard中用于识别图像。
• img_array：图像数据，以NumPy数组的形式提供。
• 1：图像记录的步骤。这个值用于在TensorBoard中跟踪图像随训练过程的变化，如果不懂这个的作用，可以试着再添加一个图片，并且将新图片的step设成2，看看效果。
• dataformats=‘HWC’：指明图像数据的格式。这里HWC代表图像的高度（Height）、宽度（Width）和颜色通道数（Channels），这是TensorBoard解析图像数据的标准格式。

writer.add_image("test", img_array, 1, dataformats='HWC')

但不知道为什么，只有添加下面这段代码后才能出现图像，等未来再完善这篇文章吧

for i in range(100):
    writer.add_scalar("y=x",3*i,i)
writer.close()

完整代码：

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

writer = SummaryWriter("logs")
image_path = "data/train/ants_image/0013035.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)
writer.add_image("test",img_array,1,dataformats='HWC')

for i in range(100):
    writer.add_scalar("y=x",3*i,i)
writer.close()

总结和实战

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

writer = SummaryWriter("logs")
img_path = "data/train/ants_image/20935278_9190345f6b.jpg"
img_PIL = Image.open(img_path)
img_0 = np.array(img_PIL)
writer.add_image("test",img_0,1,dataformats='HWC')
img_PPIL = Image.open("data/train/ants_image/49375974_e28ba6f17e.jpg")
img_1 = np.array(img_PPIL)
writer.add_image("test",img_1,2,dataformats='HWC')

for i in range(100):
    writer.add_scalar("loss/wad",2*i,i)
writer.close()

官方文档：https://pytorch.org/docs/stable/tensorboard.html#module-torch.utils.tensorboard
https://pillow.readthedocs.io/en/stable/reference/Image.html