一学就会 | 基于PyTorch的TensorBoard可视化

最新推荐文章于 2024-01-05 16:26:27 发布
最新推荐文章于 2024-01-05 16:26:27 发布
阅读量2.3k 收藏 43
点赞数 17
分类专栏： pytorch 文章标签： pytorch 可视化 深度学习 神经网络
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/qq_45032341/article/details/105381800
版权

如果觉得本篇文章对您的学习起到帮助作用，请 点赞 + 关注 + 评论 ，留下您的足迹💪💪💪

TensorBoard这款工具你是一定要掌握的可视化工具。为什么我要这么说呢？因为TensorBoard可以用来展示神经网络图、张量的指标变化、张量的分布情况等。我相信您阅读了本文，你就会了解到TensorBoard可视化工具的强大之处，让我们一起开始学习吧！阅读本文大约需要15min。
本文所使用的代码下载：
链接：https://pan.baidu.com/s/1VQNui4h_dryp7qL438ro7Q
提取码：d53v

本文相关推荐阅读：

一学就会 | PyTorch入门看这篇就够了

一学就会 | LeNet在CIFAR10数据集上的应用

文章目录

全文框架

TensorBoard

简介

本文主要介绍PyTorch下TensorBoard的使用。当我们进行PyTorch进行深度学习实验时，深度神经网络就像一个黑盒子，其内部的组织、结构、以及训练过程我们很难去理解，这不便于我们构建神经网络模型。因此TensorBoard应运而生，它是一个可视化工具，它可以用来展示网络图、张量的指标变化、张量的分布情况等。在深度学习任务中，如果我们想要改善模型，则我们需要对模型的指标进行衡量。

TensorBoard提供了机器学习实验所需的可视化工具：

  1. 跟踪和可视化指标，例如损失和准确性
  2. 可视化模型图（操作和图层）
  3. 查看权重，偏差或其他张量随时间变化的直方图
  4. 将嵌入物投影到较低维度的空间
  5. 显示图像，文本和音频数据
  6. 分析深度学习框架程序（本文使用PyTorch）

TensorBoard运行机制：

  1. 在python脚本中记录要监控的数据
  2. 记录下来的内容会以event file文件的形式存放在硬盘中
  3. 在终端用tensorboard命定读取event file文件
  4. TensorBoard在Web端实现可视化

TensorBoard运行机制

下文会介绍具体操作方法。

安装TensorBoard

TensorBoard并不是与PyTorch安装包绑定在一起的，我们需要另行单独安装，安装TensorBoard其实很简单，只需要在终端输入这样操作：

(torch2) C:\Users\Administrator>pip install tensorboard

需要注意，我是在虚拟环境 torch2 中安装的TensorBoard，读者应该选择自己对应的虚拟环境。

为了提升下载速度，推荐用清华镜像下载：

(torch2) C:\Users\Administrator>pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorboard

TensorBoard中主要功能函数介绍

我们使用TensorBoard对数据进行可视化，必然要调用相应函数，这里我们先做简单了解，我们会在后文详细介绍。

SummaryWriter类

SummaryWriter：
SummaryWriter
功能：用来创建event file的高级接口，将event file直接写入log_dir中，以供TensorBoard使用。

主要属性：

  • log_dir：保存event file的文件夹，默认为runs文件夹
  • comment：不指定log_dir时，文件夹的后缀
  • filename_suffix：event file文件名后缀

接下来用代码演示：
1、自动生成文件夹名称并创建可视化文件

# 从torch.utils.tensorboard导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter

# 实例化这个类
writer = SummaryWriter()

我们来看一下运行结果：
summary1
我们没有指定文件夹，默认创建runs/Apr08_16-14-46_PC-202003241336文件夹，从文件夹的信息可以看出，该文件创建于4月8日16时14分46秒。保存我们可视化信息的event file文件为events.out.tfevents.1586333686.PC-202003241336.10256.0。

2、指定文件夹名称并创建可视化文件

# 从torch.utils.tensorboard导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter

# 实例化这个类
writer = SummaryWriter("logs")

我们来看一下运行结果：
summary2
这一次我们指定了文件夹，创建logs文件夹。其中保存我们可视化信息的event file文件为events.out.tfevents.1586339998.PC-202003241336.2116.0。

3、创建带有文件夹后缀的可视化文件

# 从torch.utils.tensorboard导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter

# 实例化这个类
writer = SummaryWriter(comment="Created_Sang", filename_suffix='good')

summary3
我们没有指定文件夹，默认创建runs/Apr08_18-50-38_PC-202003241336Created_Sang文件夹，同时，文件夹末尾增加了Created_Sang，源于参数comment=“Created_Sang”，从文件夹的信息可以看出，该文件创建于4月8日18时50分38秒。保存我们可视化信息的event file文件为events.out.tfevents.1586343038.PC-202003241336.4980.0good。同样文件末尾增加了good，源于参数filename_suffix=‘good’。

SummaryWriter类的方法

add_scalar()方法:

scalar
功能：记录标量
主要属性：

  • tag：图像的标签名，图的唯一标识
  • scalar_value：要记录的标量,相当于图像的y轴
  • global_step：要记录的全局步长值

接下来用代码演示用法：

# 从torch.utils.tensorboard导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter

# 实例化这个类
writer = SummaryWriter(log_dir="logs")

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

执行完后创建了runs文件夹：
summary4
在终端执行命令：
我们在PyCharm的Terminal执行命令：tensorboard>tensorboard --logdir=text4/logs

(torch2) F:\pycharm_project\tensorboard>tensorboard --logdir=text4/logs

–logdir=text4/logs用于指定文件夹。

如下图：
Teminal
接下来我们可以点击 http://localhost:6006/或者复制链接到浏览器，都可以在Web端打开TensorBoard可视化界面。

如下图：
board1
可视化界面提供以下主要功能：

  • Show data download links：可下载CSV、JSON类型的数据
  • Ignore outliers in chart scaling：选中此功能将会更合理的显示数据
  • Smoothing：平滑处理
  • Tooltip sorting method:一般选择default即可
  • Horizontal Axis：一般默认选择STEP
add_scalars()方法

scalars
功能：记录多个标量
主要属性：

  • main_tag：可视化图像总的标签
  • scalar_dict：以字典的形式存取，key是变量的tag，value是变量的值
  • global_step：要记录的全局步长值

接下来用代码演示用法：

# 从torch.utils.tensorboard导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter
import numpy as np

# 实例化这个类
writer = SummaryWriter(log_dir="logs")

r = 5
x = range(100)
for i in x:
	# 多个数据时，以字典形式存取
    writer.add_scalars('run_14h', {'xsinx':i*np.sin(i/r),
                                    'xcosx':i*np.cos(i/r),
                                    'tanx': np.tan(i/r)}, i)
writer.close()

显示结果如下：
board2
大多数功能前文已经介绍，这里需要特别说明的是Write a regex to filter runs这一选项，可以控制单独显示某一项、某两项或者显示全部的数据。

add_histogram()方法

histogram
功能：统计直方图与多分位数折线图

主要属性：

  • tag：可视化图像标签名
  • values：建立直方图的值
  • global_step：驼峰的个数，y轴（注意，不同于前文的x轴）
  • bins：一般默认值即可

接下来用代码演示用法：

# 从torch.utils.tensorboard导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter
import numpy as np

writer = SummaryWriter("logs")
for i in range(15):
    x = np.random.random(1000)
    writer.add_histogram('histogram', x + i, i)
writer.close()

显示结果如下：
board3
for循环了15次，即显示15个驼峰，global_step参数的数值即是每个驼峰对应于y轴的数值。可以看到第12个驼峰，y轴对应11（不要忘记我们计数是0-14）。x轴对应的11.7在直方图显示为468，这说明数值11.7有468个。

多分位数折线图显示如下：
多分位数折线图

add_image()方法

image
功能：记录图像

主要属性：

  • tag：图像的标签名
  • img_tensor：图像数据
  • global_step：要记录的全局步长值
  • dataformats：数据形式，如CHW，HWC，HW，默认(3, H, W)

接下来用代码演示用法：

# 从torch.utils.tensorboard导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter
import numpy as np

img0 = np.random.randn((3, 100, 100))

img1 = np.zeros((3, 100, 100))

img2 = np.ones((100, 100, 3))

writer = SummaryWriter("logs")

writer.add_image('img0', img0, 0)
writer.add_image('img1', img1, 1)
writer.add_image("img2", img2, 2, dataformats='HWC')

writer.close()

显示结果如下：
img
img0为随机噪音图像，dataformats为默认的“CHW”。img1像素值全为1，dataformats为默认的“CHW”，所以显示为全黑的图像。img2像素全为0，img2为（100, 100, 3），所以在显示图像时，dataformats应该选择dataformats=‘HWC’，即图像的通道放在了图像的最后。

add_images()方法

images
功能：记录一批图像数据

主要属性：

  • tag：图像的标签名
  • img_tensor：图像数据
  • global_step：要记录的全局步长值
  • dataformats：数据形式，如NCHW，NHWC，CHW等，默认(N, 3, H, W)

接下来用代码演示用法：

# 从torch.utils.tensorboard导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter
import torch

'''
创建三张颜色不同的图片
'''
img0 = torch.ones((1, 3, 100, 100))
img0[0, 0] = torch.tensor(255)     

img1 = torch.ones((1, 3, 100, 100))
img1[0, 1] = torch.tensor(255)     

img2 = torch.ones((1, 3, 100, 100))
img2[0, 2] = torch.tensor(255)     

# 三张图片拼接成（3, 3, 100, 100）
images = torch.cat((img0, img1, img2),dim=0)

writer = SummaryWriter("logs")
writer.add_images('images', images, 0)
writer.close()

显示结果如下：
images
我们将三张不同颜色的图片img0,img1,img2组合成一个批次，即可使用add_images()方法一起显示出来。

add_graph()方法

graph
功能：可视化模型计算图，用来观测构建神经网络的结构

主要参数：

  • model：模型，必须继承于nn.Module
  • input_to_model：输入给模型的数据
  • verbose：是否打印计算图结构信息

接下来用代码演示用法：

import torch
import torch.nn as nn
import torch.nn.functional as F

# 模拟出入数据
# 批次为4的1*28*28数据
input = torch.randn(4,1,28,28)

# 构建继承于nn.Module的卷积神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 实例化这个卷积神经网络
net = Net()

# 从torch.utils.tensorboard导入SummaryWriter类
from torch.utils.tensorboard import SummaryWriter

# 实例化并建立'logs'文件夹，用于保存event file
writer = SummaryWriter('logs')
writer.add_graph(net, input)
writer.close()

显示结果如下：
graph
通过TensorBoard可视化，我们构建的卷积神经网络结构一下子就一目了然了，我们构建的神经网络不在是一个抽象的模型，而是一个实实在在的线路图。

实用工具torchsummary

PyTorch中的torchsummary类似于Keras中的model.summary()。这一个简洁的API可以使模型可视化，这在调试网络时非常有帮助。

使用清华镜像下载安装torchsummary：

(torch2) F:\pycharm_project\tensorboard>pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torchsummary

此功能的使用非常简答，只需要两行代码：
torchsummary
torchsummary主要参数：

  • model：pytorch模型
  • input_size：模型输入size，注意C、H、W顺序
  • batch_size：一般不用设置，默认即可
  • device：“cuda” 或 “cpu”，一般加上参数 device=“cpu” 或 device=“cuda”

torchsummary详情请参考Github文档。

我们使用介绍add_graph()方法时创建的神经网络演示：

import torch
import torch.nn as nn
import torch.nn.functional as F

# 构建继承于nn.Module的卷积神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 实例化这个卷积神经网络
net = Net()

from torchsummary import summary
summary(net, input_size=(1, 28, 28),device="cpu")

输出模型信息如下：
model_information
从输出打印的模型信息可以看出，各个卷积层，线性层输出的维度以及参数的数量。
本例总的参数为44426个，可训练的参数也为44426个，参数占用内存为0.17M。

使用TensorBoard跟踪模型训练

我们构建卷积神经网络，监控损失函数loss和准确率accuracy。
PyTorch如何构建神经网络请参考一学就会 | PyTorch入门看这篇就够了。
我们所使用的代码，大多来自于这篇博客，如果有问题，请进行查看。

我们对训练集和验证集的Loss和Accuracy每一个epoch检测一次，epoch值为100，即模型训练了100次。

1、加载MNIST手写数字集

from pathlib import Path
import pickle
import gzip

PATH = Path("F:\OfficialData\mnist\mnist.pkl.gz")

with gzip.open(PATH.as_posix(), "rb") as f:
        ((x_train, y_train), (x_valid, y_valid), _) = pickle.load(f, encoding="latin-1")

2、将数据转换成PyTorch可用的Tensor张量类型

import torch

x_train,y_train, x_valid, y_valid= map(torch.tensor,
                                       (x_train, y_train, x_valid, y_valid))

3、使用DataLoader、TensorDataset处理数据

bs = 64	# 一个批次大小为64

from torch.utils.data import TensorDataset, DataLoader

train_ds = TensorDataset(x_train, y_train)
train_dl = DataLoader(train_ds, batch_size=bs, shuffle=True)

valid_ds = TensorDataset(x_valid, y_valid)
valid_dl = DataLoader(valid_ds, batch_size=bs * 2)

3、构建神经网络模型并实例化

import torch.nn as nn
import torch.nn.functional as F

class Mnist_model(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 500)
        self.fc2 = nn.Linear(500, 200)
        self.fc3 = nn.Linear(200, 10)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

model = Mnist_model()

4、构建损失函数和优化器

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.5)

5、计算准确率的函数

def accuracy(out, yb):
    preds = torch.argmax(out, dim=1)
    return (preds == yb).float().mean()
def accuracy_rate(model, valid_dl):
    acc = 0
    for xb, yb in valid_dl:
        acc += accuracy(model(xb), yb)

    return (acc / len(valid_dl))

6、加载TensorBoard，并实例化，创建文件夹logs

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter('logs')

7、绘制训练和验证Loss对比图，绘制训练和验证Accuracy对比图

epochs = 100
training_loss = 0
validing_loss = 0
for epoch in range(epochs):
    for data in train_dl:
        xb, yb = data
        pred = model(xb)
        loss = criterion(pred, yb)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        training_loss += loss.item()


    for data_valid in valid_dl:
        xv, yv = data_valid
        pred_valid = model(xv)
        loss_valid = criterion(pred_valid, yv)

        validing_loss += loss_valid
    writer.add_scalars('Train-Valid Loss',
                      {'Train Loss':training_loss / len(train_dl),
                       'Valid Loss':validing_loss / len(train_dl)}, epoch)

    training_loss = 0
    validing_loss = 0

    writer.add_scalars('Train-Valid Accuracy',
                       {'Train Accuracy': accuracy_rate(model, train_dl).item(),
                        'Valid Accuracy': accuracy_rate(model, valid_dl).item()}, epoch)

# 关闭writer实例
writer.close()

运行结果图如下：
Train-Valid Loss
蓝色的线为训练集loss值，红色的线为验证集loss的值。我们可以看出，Loss在训练集上的值更小，说明该模型在全新的数据面前表现可能不是很好，但是我们先不用担心，我们还要检测Accuracy的曲线对比图。
Train-Valid Accuracy
蓝色的线为训练集Accuracy值，红色的线为验证集Accuracy的值。如图我们可以看到,训练集的识别准确率是高于验证集的。验证集上的表现虽然没有训练集好，但是也有98.32%的准确率，这已经是一个很好的结果了。

总结

作者认为使用TensorBoard绘制可视化图像，是比使用matplotlib绘制图像更加方便的，它提供的功能可以满足我们对于模型监控的一般任务。

通常使用TensorBoard有三个步骤：

  1. 加载SummaryWriter类，并实例化
  2. 使用相应可视化方法，在指定文件夹生成一个或多个事件文件(event files)
  3. 启动TensorBoard的Web服务器

如果您觉得这篇文章对你有帮助，记得 点赞 + 关注 + 评论 三连，您只需动一动手指，将会鼓励我创作出更好的文章，快留下你的足迹吧💪💪💪

权双
关注
  • 17
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
用PyTorch实现MNIST手写数字识别对应源码文件
06-17
"软件/插件"可能指的是与PyTorch相关的工具或扩展，如TensorBoard等可视化工具。 **文件名解析：** 压缩包中的唯一文件"main.py"很可能是项目的主入口文件，包含了整个模型训练和验证的代码逻辑。 **详细知识讲解...
TensorboardX和Tensorboard的介绍及使用
qq_27155171的博客
06-17 4473
Tensorboard可供显示的内容包括：标量Scalars，图片Images，音频Audio，计算图Graph，数据分布Distribution，直方图Histograms，嵌入向量Embeddings，文本Text，下面将逐个展开介绍
torch.cat()函数的官方解释，详解以及例子
xinjieyuan的博客
03-30 24万+
可以直接看3.例子，就明显1和2说的啥了 在pytorch中，常见的拼接函数主要是两个，分别是： stack() cat() 他们的区别参考这个链接区别，但是本文主要说cat()。 前言 该函数总的来说和python内置函数cat()函数没有区别。 1. cat()官方解释 ----torch.cat(inputs, dim=0) → Tensor 函数目的： 在给定维度上对输入的张量序列se...
PyTorch的torch.cat
热门推荐
qq_39709535的博客
06-25 27万+
1. 字面理解：torch.cat是将两个张量（tensor）拼接在一起，cat是concatnate的意思，即拼接，联系在一起。 2. 例子理解 >>> import torch >>> A=torch.ones(2,3) #2x3的张量（矩阵） >>> A te...
Pytorch中torch.cat()函数解析
flyingluohaipeng的博客
05-29 3万+
一. torch.cat（）函数解析 1. 函数说明 1.1 官网：torch.cat()，函数定义及参数说明如下图所示： 1.2 函数功能 函数将两个张量（tensor）按指定维度拼接在一起，注意：除拼接维数dim数值可不同外其余维数数值需相同，方能对齐，如下面例子所示。torch.cat()函数不会新增维度，而torch.stack()函数会新增一个维度，相同的是两个都是对张量进行拼接 2. 代码举例 2.1 输入两个二维张量（dim=0）：dim=0对行进行拼接 a = torch.randn(2,
torch.cat函数用法
thy0000的博客
10-10 2937
torch.cat函数是PyTorch中用于拼接张量（tensors）的函数。它可以沿着指定的维度将多个张量连接在一起。
torch.cat()用法详解
Vertira的博客
10-18 4992
torch.cat()用法详解
pytorch框架学习（13）——可视化工具TensorBoard
01-20
TensorBoard是TensorFlow官方提供的一个强大的可视化工具，虽然它最初是为TensorFlow设计的，但随着PyTorch的发展，现在也可以在PyTorch环境中使用。TensorBoard支持多种数据类型的可视化，包括标量（Scalars）、...
医学图像分割-基于Pytorch+Unet实现的医学图像分割算法-支持训练+预测-附一键执行训练脚本-优质算法项目实战.zip
最新发布
03-25
它的动态计算图特性使得模型构建和调试变得更加直观，同时也支持无缝对接TensorBoard等可视化工具，便于观察和分析模型训练过程。 项目提供的训练脚本是一键式执行的，这意味着用户无需编写复杂的命令行参数或配置...
torch.cat()函数
hellozhxy的博客
03-06 4398
看了关于torch.cat函数的文章，有点乱，自己总结一篇，关于四维tensor合并.
torch.cat函数详解
qq_45138078的博客
03-30 4042
其中，参数seq是要拼接的张量序列，它们应该具有相同的形状（除了沿着拼接维度的大小），可以是一个Python列表或元组。参数dim表示要沿着哪个维度进行拼接，默认值为0（即第0个维度）。返回值是一个新的张量，与输入张量在拼接维度上的大小之和相同。torch.cat是PyTorch深度学习框架中的一个函数，用于将多个张量沿着指定的维度拼接在一起。具体来说，它可以将多个形状相同的张量按照指定的维度进行拼接，返回一个新的张量。上述代码将输出一个形状为(6, 4)的新张量。
torch.cat函数深入详解
qq_37715291的博客
12-24 6253
1、先看torch.cat 函数的官方解释： 它的功能是将多个tensor类型矩阵的连接。它有两个参数，第一个是tensor元组或者tensor列表；第二个是dim，如果tensor是二维的，dim=0指在行上连接，dim=1指在列上连接。但是注意这里在行上连接，是扩展行进行连接，在列上连接是扩展列连接。 2、下面看一些例子： a=torch.randn(2,3) print(a) b=torch.cat((a,a,a),1) print(b) ''' #输出
【可视化】可视化&绘图的学习笔记
墨门
05-10 495
Keywords: 可视化 visio 1 Visualization可视化 这里我们将会记录一下关于Visualization的学习笔记～ 2 模型Visualization 使用TensorBoard，可以参考教程《PyTorch TensorBoard Support》； 首先需要安装TensorBoard 使用conda命令安装， conda install pytorch torchvision -c pytorch
Pycharm在Debug时Tensor张量显示不全问题，也可以用于其他显示不全问题
qq_43478778的博客
01-05 713
第二步：对于Tensor类型数据在cuda上需要先把它放到cpu再进行numpy数据类型转换。我这边是用了np.array(x.data.cpu())进行数据转换。这里如果Tensor数据本身不在cuda上则可以简化为np.array(x)。原因：pycharm中默认Tensor类型显示不全，然而numpy类型数据可以显示完全。这里可以将Tensor类型转换为numpy类型并做显示。第一步：选择需要完全显示的Tensor变量。右键点击评估表达式。第四步：修改上图中标黄的数值，可以显示不同维度的数据信息。
Pycharm在Debug时,Tensor张量显示不全问题
qq_42178122的博客
05-28 858
在Debug时，当我们需要对某个张量查看它里面各个数值，只显示开头和结尾的部分数据，出现张量显示不全。
PyTorch 中的 tensorboard 可视化
Python中文社区
06-10 4105
如果我们实现了一个 CNN 网络，在 mnist 上通过两个卷积层完成分类识别。但是在我们调试代码的过程中，其实往往会想要知道我们的网络训练过程中的效果变化，比如 loss 和 accu...
SummaryWriter基本使用
weixin_43788986的博客
08-22 7853
其中对img_tensor的形状有要求，而默认格式是（3，H，W）即通道(channel)为3，H为高度，W为宽度，不是格式需要使用。img_tensor ：图片数据，类型要求为Tensor，numpy，string/blobname。dataformats：不是（3，H，W）形式用此参数。global_step：要记录的全局步长值。scalar_value：x轴数据。global_step：y轴数据。输入参数为保存到哪个文件夹。
torch.cat()使用详解
我是天才很好
09-29 2万+
官方文档 torch.cat(inputs, dimension=0) → Tensor 在给定维度上对输入的张量序列seq 进行连接操作。 torch.cat()可以看做 torch.split() 和 torch.chunk()的反操作。 参数: inputs (sequence of Tensors) – 可以是任意相同Tensor 类型的python 序列 dimension (int, optional) – 沿着此维连接张量序列。 cat() 函数可以通过下面例子更好的理解。 官方例子 &gt
pytorch tensorboard可视化
03-16
PyTorch中可以使用TensorBoard来可视化训练过程中的损失值、指标等信息。首先需要安装tensorboard和tensorboardX库，然后在训练代码中使用tensorboardX的SummaryWriter将训练过程中的信息写入日志，最后在终端中使用TensorBoard命令读取日志并进行可视化。具体实现方法可以参考官方文档和代码示例。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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