tensorboard 数据降维分布图_PyTorch TensorBoard 可视化数据和模型训练过程

在 60分钟闪电战 中，我们展示了如何加载数据，如何为我们定义为 nn.Module 的子类的模型提供数据， 如何在训练数据上训练此模型，并在测试数据上测试它。 为了了解发生了什么，我们打印了一些统计数据，因为模型正在训练，以了解训练是否在进步。 然而，我们可以做得更好：PyTorch与TensorBoard集成，TensorBoard是一个用来可视化神经网络训练结果的工具。 本教程使用 Fashion-MNIST dataset 演示了它的一些功能，该数据集可以使用 torchvision.datasets 读入PyTorch。

在本教程中, 我们将学习如何:

读入数据并使用适当的变换(与前面的教程几乎相同)。

设置 TensorBoard.

写入 TensorBoard.

使用 TensorBoard 检查模型体系结构。.

使用 TensorBoard 创建我们在上一个教程中创建的可视化效果的交互版本，使用较少的代码

尤其是, 在第 #5 个知识点中, 我们将会看到:

检查训练数据的几种方法

如何跟踪模型在训练过程中的性能

如何评估我们的模型的性能，一旦它被训练完成后。

我们将从类似于 CIFAR-10教程 中的样板代码开始：

# imports

import matplotlib.pyplot as plt

import numpy as np

import torch

import torchvision

import torchvision.transforms as transforms

import torch.nn as nn

import torch.nn.functional as F

import torch.optim as optim

# transforms

transform = transforms.Compose(

[transforms.ToTensor(),

transforms.Normalize((0.5,), (0.5,))])

# datasets

trainset = torchvision.datasets.FashionMNIST('./data',

download=True,

train=True,

transform=transform)

testset = torchvision.datasets.FashionMNIST('./data',

download=True,

train=False,

transform=transform)

# dataloaders

trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,

shuffle=True, num_workers=2)

testloader = torch.utils.data.DataLoader(testset, batch_size=4,

shuffle=False, num_workers=2)

# constant for classes

classes = ('T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',

'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle Boot')

# helper function to show an image

# (used in the `plot_classes_preds` function below)

def matplotlib_imshow(img, one_channel=False):

if one_channel:

img = img.mean(d