pytorch tensorboard_Tensorboard+PyTorch牛刀小试

TensorBoard是Tensorflow附带的神经网络可视化分析工具，其功能十分强大。作为Pytorch用户，很幸运Tensorboard同样支持PyTorch。这里给出个人最近使用Tensorboard时的一些经验。

1.14版本之后的Pytorch内已经有Tensorboard接口，但是仍然需要我们手动安装Tensorboard才可以调用：

pip install tensorboard

Residual Block示例

我们以残差网络模块为示例演示Tensorboard可视化工具，我的主要目的是为了观察验证复杂神经网络的结构，下文主要展示网络结构的可视化功能：

class Residual(nn.Module):    def __init__(self, ins, outs):        super(Residual, self).__init__()        # 卷积模块        inner = int(outs / 2)        self.convBlock = nn.Sequential(            nn.BatchNorm2d(ins),            nn.ReLU(inplace=True),            nn.Conv2d(ins, inner, 1),            nn.BatchNorm2d(inner),            nn.ReLU(inplace=True),            nn.Conv2d(inner, inner, 3, 1, 1),            nn.BatchNorm2d(inner),            nn.ReLU(inplace=True),            nn.Conv2d(inner, outs, 1)        )        if ins != outs:            self.skipConv = nn.Conv2d(ins, outs, 1)        self.ins = ins        self.outs = outs    def forward(self, x):        residual = x        x = self.convBlock(x)        if self.ins != self.outs:            residual = self.skipConv(residual)        x += residual        return x

构建残差网络之后，我们以输入三通道输出12通道的残差结构为例，给定随机输入dummy_input,

import osfrom torch.utils.tensorboard import SummaryWriter# SummaryWriter 内部的路径path = os.getcwd()+'uns'writer = SummaryWriter(path+'experiment1')t = Residual(3,12)dummy_input = torch.randn(10, 3, 128, 128)writer.add_graph(t, dummy_input)

利用Tensorboard进行可视化

Tensorboard需要我们从命令行另外调用，

tensorboard --logdir=path

注意这里的path需要和你上步中summarywriter的路径path保持一致。

Ps:这里的步骤是在windows平台下完成的，记得在命令行内输入上述命令是不要加双引号。随后利用自带浏览器打开 (http://localhost:6006/)需要注意，如果chrome浏览器版本过低(<60)可能会出现错误。

Tensorboard一览

进入Tensorboard之后就可以看到可视化的网络结构，双击可以放大子模块，可以看到更清晰的残差结构。

求关注点赞评论呀~