PyTorch入门学习（二）：TensorBoard的使用

目录

一、PyTorch深度学习模型的可视化监控：TensorBoard入门

二、安装TensorBoard

三、TensorBoard的使用

四、运行TensorBoard

---

一、PyTorch深度学习模型的可视化监控：TensorBoard入门

当使用PyTorch构建深度学习模型并进行训练时，了解如何有效地监控和可视化模型的性能非常重要。在本文中，将探讨如何使用PyTorch中的TensorBoard来监视和可视化训练过程中的数据。

二、安装TensorBoard

使用以下命令使用pip来安装TensorBoard：

pip install tensorboard

三、TensorBoard的使用

下面，深入了解如何在PyTorch中使用TensorBoard。接下来将使用一个示例代码来演示TensorBoard的基本用法。

# 导入必要的库
from torch.utils.tensorboard import SummaryWriter  # 导入TensorBoard的SummaryWriter类，用于创建TensorBoard日志
from PIL import Image  # 导入PIL库，用于图像处理
import numpy as np  # 导入NumPy库，用于处理图像数据

# 创建一个TensorBoard的SummaryWriter对象，指定保存日志的目录
writer = SummaryWriter("logs")

# 读取一张图像
image_path = "data/train/ants_image/49375974_e28ba6f17e.jpg"  # 图像文件路径
img_PIL = Image.open(image_path)  # 使用PIL库打开图像文件
img_array = np.array(img_PIL)  # 将图像转换为NumPy数组

# 打印图像数组的类型和形状
print(type(img_array))  # 打印图像数组的数据类型
print(img_array.shape)  # 打印图像数组的形状

# 将图像添加到TensorBoard
writer.add_image("test", img_array, 1, dataformats='HWC')
# 添加图像到TensorBoard，"test"是图像的标签，img_array是图像数据，1是全局步骤，dataformats='HWC'用于指定图像数据的格式
"""
以上代码出的问题是：通道（H,W,C）需要转换：
那个20行最后一个参数 dataformats 可以把这个顺序转换过来。
"""

# 添加标量数据，例如 y=2x 的图表
for i in range(100):
    writer.add_scalar("y=2x", 2 * i, i)
    # 添加标量数据到TensorBoard，"y=2x"是标量的标签，2 * i是标量数据，i是全局步骤

# 关闭TensorBoard
writer.close()
# 关闭TensorBoard的SummaryWriter，以保存日志

上述代码的主要功能是：

1. 导入所需的库，包括SummaryWriter用于创建TensorBoard日志，以及PIL库和NumPy用于图像处理。

2. 创建一个SummaryWriter对象，它将保存TensorBoard的日志到指定目录（在这里是"logs"）。

3. 读取一张图像，将其转换为NumPy数组，并打印图像数组的类型和形状。

4. 使用add_image方法将图像添加到TensorBoard中，其中"test"是图像的标签，img_array是图像数据，1是图像的全局步骤，dataformats='HWC'用于指定图像数据的格式。

5. 使用add_scalar方法添加标量数据，例如"y=2x"的图表，这里添加了一百个数据点。

6. 最后，关闭SummaryWriter以保存日志。

问题与解决

在上述代码中，有一行注释提到了一个问题，即图像的通道顺序（HWC）需要转换。为了解决这个问题，可以使用dataformats参数，将通道顺序正确地指定为"HWC"。这确保了TensorBoard正确地显示图像。

四、运行TensorBoard

在代码运行完成后，在终端中运行以下命令来启动TensorBoard：

tensorboard --logdir=logs

这将启动TensorBoard的Web界面，可以通过浏览器访问该界面，以查看训练过程中的图表和图像。

参考资料

 视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】