tensorboardx可视化_tensorboardX学习

最新推荐文章于 2024-09-13 22:27:49 发布

夏威廉

最新推荐文章于 2024-09-13 22:27:49 发布

阅读量367

点赞数

文章标签： tensorboardx可视化

本文链接：https://blog.csdn.net/weixin_36064484/article/details/112532523

版权

这篇博客介绍了如何使用TensorboardX在PyTorch环境中进行数据可视化，包括损失(loss)、准确率(accuracy)和模型结构。通过SummaryWriter记录信息，展示了在MNIST数据集上的应用，并提醒了在添加模型图时模型不能在GPU上。还提到未来计划学习显示图片的功能，并在GitHub上分享了完整代码。

摘要由CSDN通过智能技术生成

合理利用工具很关键，这样就不用自己用matplotlib画图咯！之前使用的是tensorflow的，不过现在主要都是使用pytorch了，故记录一下~

官方教程在：

https://github.com/lanpa/tensorboardXgithub.com

主要依赖：

别忘了pip install tensorflow. 这里可以使用清华源，不过后面千万不要加上-user参数，不然conda会帮你安装到C:UsersAdministratorAppDataRoaming 上，相当于又多了一个python环境，很容易出错！如果后面使用的时候说找不到tensorboard程序，不用想肯定是环境变量的问题了。

pip --default-timeout=1000 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu

from tensorboardX import SummaryWriter

最基本的东西，定义writer来记录哪些东西是要显示出来的。比如说定义一个简单的一元函数.

from tensorboardX import SummaryWriter

if __name__ == '__main__':
    # writer = SummaryWriter('../runs/scalar_example_09')
    writer = SummaryWriter('../runs/scalar_example_0914')
    for i in range(10):
        writer.add_scalar('my_value_1', i + 1, global_step=i)
        writer.add_scalar('my_value_2', i * 10, global_step=i)

SummaryWriter()定义存放的地址，就是后面tensorboard --logdir path 的 path；如果直接不加任何东西，返回的是以时间命名的文件，如果是云服务器，后面还会加上主机的名字，比如我的：Sep14_16-15-26_cht-1998-79;
add_scalar(name, value, xticks) 这个就相当于画图而已；

运行程序后就可以看看效果了：

其中左侧的Smoothing(平滑)，数据平滑其实经常用到(简单理解就是：一个滑动窗口求平均或者某一些操作，使得数据看起来变化幅度不大)，不过这里本来就很平滑了，效果变化不大。

画图这里暂时先学到这里，时间问题以后有需要在进行学习。接下来还有一个重要的部分就是可视化模型结构。

直接上代码，记得传入的参数是(module, input), 输入必须存在， 多个输入就用tuple/list:

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2020/9/15 8:56
# @Author  : CHT
# @Blog    : https://www.zhihu.com/people/xia-gan-yi-dan-chen-hao-tian
# @Site    : 
# @File    : demo2_module.py
# @Function: 
# @Software: PyCharm


import numpy as np
import torch
import torch.nn as nn
from tensorboardX import SummaryWriter


class Discriminator(nn.Module):
    def __init__(self, in_feature):
        super(Discriminator, self).__init__()
        self.ad_layer1 = nn.Linear(in_feature, 1024)
        self.ad_layer2 = nn.Linear(1024, 1024)
        self.ad_layer3 = nn.Linear(1024, 1)
        self.sigmoid = nn.Sigmoid()
        self.main = nn.Sequential(
            self.ad_layer1,
            nn.BatchNorm1d(1024),
            nn.LeakyReLU(0.2, inplace=True),
            self.ad_layer2,
            nn.BatchNorm1d(1024),
            nn.LeakyReLU(0.2, inplace=True),
            self.ad_layer3,
            self.sigmoid
        )

    def forward(self, x):
        for module in self.main:
            x = module(x)
        return x


if __name__ == '__main__':
    discriminator = Discriminator(in_feature=500)
    d_input = torch.zeros(3, 500)
    writer = SummaryWriter('../runs/module_example_0915')

    writer.add_graph(discriminator, d_input, True)

效果如下，十分清晰，连batchnorm的moving average都能够显示出来: