tensorboardX tutorial

TensorboardX

前言

对于深度学习任务，可视化训练过程能够更为直观地反应网络学习的好坏，便于进一步的网络调参。目前，可视化工具主要有以下几大类:

• visidom
• tensorboard
• tensorboardX
• other package

本文介绍这四者中相对易于上手的，兼容不同深度框架的tensorboradX。介绍的内容包括：

• 使用tensorboardX的代码通用框架
• 常用的API
• 可视化GAN实例

代码通用框架

1. 导入SummaryWriter
2. 创建SummaryWriter实例
3. 调用相应的API进行可视化

from tensorboardX import SummaryWriter

writer = SummaryWriter(logDirPath)

writer.add_something(tag name, object, iteration number)

常见的API

在处理深度学习任务时，我们可能经常会遇到可视化如下参数：

• 神经网络的结构
• Loss曲线
• 展示image
• 数据的直方图

接下来逐一介绍相应的API。

• add_graph(model, input_to_model, verbose=False)

  • model (torch.nn.Module)， 待绘制的网络
  • input_to_model (torch.autograd.Variable)，网络的输入

• add_scalar(tag, scalar_value, global_step=None) 添加单个标量

  • tag (string)， 数据的id
  • scalar_value (float) ，数据的值
  • global_step (int) ，步数

• add_scalars(main_tag,tag_scalar_dict,global_step=None) 添加多个标量

  • tag (string)，数据的id
  • main_tag (string) ， 标签的前缀
  • tag_scalar_dict (dict) ， {tag: value}，字典，键：名称，值：数值
  • global_step (int) ，步数

• add_image(tag, img_tensor, global_step=None) 添加图数据，要求安装了pillow包

  • tag (string)， 数据的名称
  • img_tensor (torch.Tensor) ，图像数据，shape（3，H，W) 配合torchvision.utils.make_grid使用
  • global_step (int), 步数

• add_histogram(tag,values,global_step=None,bins='tensorflow') 添加直方图

  • tag (string) ，数据id
  • values (numpy.array)，数据
  • global_step (int)，横坐标的刻度值
  • bins (string) ， 可选 {‘tensorflow’,’ auto’, ‘fd’, …} ，区间模式选择。

可视化GAN实例

源码：GAN 实例

注意：

• 图片由ScreenToGif制作而成。

• 使用Tensorboard 观看：

  tensorboard --logdir logPath --port xxxx
  

Reference

tensorboard-pytorch