tensorboard可视化

1. 导包并创建SummaryWriter

  使用SummaryWriter创建events：

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter()    # 22984.0
writer = SummaryWriter("test")    # 22984.1
writer = SummaryWriter(comment="user")     # 22984.2

SummaryWriter()：自动生成文件夹名称"runs"，以及随机的events名称
SummaryWriter("test")：自动生成文件夹名称"test"，以及随机的events名称
SummaryWriter(comment="user")：自动生成文件夹名称"runs"，并附带comment"user"，以及随机的events名称

2. writer.add_scalar()

   使用add_scalar()将标量添加到event文件中：

add_scalar(tag, scalar_value, global_step=None, walltime=None, new_style=False, double_precision=False)

参数：

• tag(string)：数据标识符
• scalar_value(float or string/blobname)：保存的数值(纵坐标y)
• global_step(int)：时间步数(横坐标x)

   一个实验可以记录大量信息。为了避免使 UI 混乱并具有更好的结果聚类分析，我们可以通过分层命名来对绘图进行分组。例如，在参数tag中分别写“Loss/train”，“Loss/test”，“Accuracy/train”，“Accuracy/test”四个数据标识符。“Loss/train”和“Loss/test”将分组在一起，而“Accuracy/train”和“Accuracy/test”将在TensorBoard接口中单独分组。将在第4部分中直观理解。

3. tensorboard访问events

   使用tensorboard --logdir=runs访问 ( '='左右不要有空格；访问后面的路径接的是SummaryWriter生成的文件夹路径而不是生成事件名称； 若只接文件夹名称，终端要提前进入runs所在文件夹)：

浏览器访问 http://localhost:6006/：

4. 例子

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

writer = SummaryWriter()

for n_iter in range(100):
    writer.add_scalar('Loss/train', np.random.random(), n_iter)
    writer.add_scalar('Loss/test', np.random.random(), n_iter)
    writer.add_scalar('Accuracy/train', np.random.random(), n_iter)
    writer.add_scalar('Accuracy/test', np.random.random(), n_iter)

writer.close()

生成事件目录如下：

tensorboard访问events：

浏览器访问 http://localhost:6006/：

参考

[1] https://pytorch.org/docs/stable/tensorboard.html
[2] tensorboard_SummaryWriter_event定义及使用示例