tensorboardx当网络模型输入两个参数时add_graph()报错解决方法

最新推荐文章于 2024-01-30 18:12:18 发布
最新推荐文章于 2024-01-30 18:12:18 发布
阅读量3.1k 收藏
点赞数 1
分类专栏： pytorch可视化 文章标签： pytorch学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44052289/article/details/102988771
版权

pytorch:0.4.0
python:3.6

File "/user/files/apps/anaconda2/envs/pytorch/lib/python3.6/site-packages/tensorboardX/graph.py", line 85, in graph
list_of_nodes = parse(graph)
File "/user/files/apps/anaconda2/envs/pytorch/lib/python3.6/site-packages/tensorboardX/graph.py", line 61, in parse
n['inputs'][i] = mapping[s]
KeyError: '408'

解决方法：

If I change one line in tensorboardx package (graph.py line 61 of the function parse), everything works fine:

Original:
n['inputs'][i] = mapping[s]
New:
n['inputs'][i] = mapping[s] if s in mapping else ""

具体不知道为啥，之后知道原因后会更新

wwlCape
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
案例带你学Pytorch（5）——TensorboardX详解（2）
MiaLove
05-22 1158
SummaryWriter详解之add_graph示例分析 上一篇分析了SummaryWriter主要函数，本篇借助TensorboardX官方demo，解释add_graph用法 add_graph参数 add_graph(self, model, input_to_model=None, verbose=False） model： model (torch.nn.Module): model...
pytorch tensorboard add_graph() 错误
weixin_41321482的博客
11-03 3397
错误 RuntimeError: Encountering a dict at the output of the tracer might cause the trace to be incorrect, this is only valid if the container structure does not change based on the module’s inputs. Consider using a constant container instead (e.g. for list,
Pytorch问题：tensorboardX 不能显示 graph
caiguanhong的博客
06-23 1800
问题 原始代码如下： # 导入需要的模块 import torch import torch.nn as nn import torch.nn.functional as F import torchvision from tensorboardX import SummaryWriter # 构建神经网络 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1
pytorch：使用tensorboardX可视化网络模型时add_graph位置报错
weixin_42632271的博客
07-26 1145
pytorch使用tensorboardx可视化网络模型，graph位置报错，TypeError: graph() got an unexpected keyword argument 'use_strict_trace'
tensorboard打印pytorch网络结构遇到错误
博博有个大大大的Dream
01-25 2866
尝试用tensorboard打印pytorch的网络结构。pytorch版本是1.4.0，配置过程中间走了一些弯路记录下来，最终解决方案请参考文末。 1、问题一 File "D:\Softwares\Anaconda3\lib\site-packages\tensorboardX\writer.py", line 419, in add_graph self.file_writer.add_graph(graph(model, input_to_model, verbose)) File "...
Pytorch——tensorboard可视化模型计算图——add_graph() 和 torchsummary可视化模型信息
垃圾就应该待在垃圾桶里的博客
08-31 1万+
文章目录一、add_graph()1.具体参数及介绍见之前博客——可视化工具Tensorboard2.pytorch源码3.可视化操作步骤：Tensorboard的打开方式见之前可视化损失函数的步骤二、torchsummary1.具体参数及介绍见之前博客——可视化工具Tensorboard2.pytorch源码3.打印结果参考深度之眼pytorch框架班 一、add_graph() 1.具体参数及介绍见之前博客——可视化工具Tensorboard 2.pytorch源码 writer = Summary.
tensorboardX使用中 AttributeError: 'function' object has no attribute 'graph'
u013517182的博客
08-06 1320
最近在使用tensorboardX可视化网络结构，因为tensorboardX并非pytorch原生的可视化工具，所以版本之间并不兼容 在使用的过程中会遇到，AttributeError: 'function' object has no attribute 'graph'，大概是版本之间不兼容 完整错误如下 Traceback (most recent call last): ...
【已解决】AttributeError module ‘tensorflow‘ has no attribute ‘get_default_graph‘
qq_42711123的博客
09-06 3062
`AttributeError module 'tensorflow' has no attribute 'get_default_graph'`
Pytorch使用TensorBoard做可视化
木盏
10-09 9514
TensorBoard是一款优秀的基于浏览器的机器学习可视化工具。之前是tensorflow的御用可视化工具，由于tensorboard是并不是读取tf张量，而是读取log进行可视化。所以，其他框架只需生成tensorboard可读的log，即可完成可视化。 之前，我一直用visdom做pytorch可视化，也是非常易用。不过现在跟tensorboard对比，我还是更推荐tensorboard。 visdom相比tensorboard只有一个优点，那就是自动实时刷新。而tensorboard无论从可视化
查看PyTorch的torch.nn.Module的参数信息,CPU上、GPU上以及多GPU并行上的模型信息
敲代码的小风
12-07 2130
代码: import os os.environ['KMP_DUPLICATE_LIB_OK']='True' import torch import torchvision from torchvision import datasets,transforms from torch.autograd import Variable import matplotlib.pyplot as plt import os class Model(torch.nn.Module): def __ini
pyTorch可视化工具——TensorBoard基础函数展示(API)
zyz博客
08-20 1905
在炼丹的时候，经常需要追踪模型在训练过程中性能的变化，例如：Regression任务中的MSE、分类任务中的准确率、生成（图片）任务中图片的生成质量、此外还有合成语音的质量……大体上来说，所有需要追踪的数据包括：标量（scalar）、图像（image）、统计图（diagram）、视频（video）、音频（audio）、文本（text）、Embedding等等。
创建一个简单Graph
陨星落云的博客
04-30 500
>>> import networkx as nx >>> G = nx.Graph() >>> G.add_node("A") >>> G.add_nodes_from(["B","C"]) >>> G.add_edge("A","B") >>> G.add_edges_from([("B...
pytorch网络结构可视化（torchsummary+tensorboardX+网络多输通道入情况+多分支网络）
weixin_42632271的博客
07-20 6287
**torchsummary和tensorboardX的使用****1.单通道输入网络**结构1结构2实例012.多通道输入网络结构实例02（只用了卷积层进行演示）**3.参考链接：** 1.单通道输入网络 单通道输入的情况大致有以下两种结构： 结构1 只有一条路可以走 结构2 输入为一条路，输出为多条路 以上两种的输入只有一个input，这种是经常遇到的情况。 实例01 import torch import torch.nn as nn import torch.nn.functional as F
详解Tensorboard及使用教程
weixin_53598445的博客
11-13 5万+
目录一、什么是Tensorboard二、配置Tensorboard环境要求安装三、Tensorboard的使用使用各种add方法记录数据单条曲线(scalar)多条曲线(scalars)直方图(histogram)图片(image)渲染(figure)网络(graph)其他三、结语 一、什么是Tensorboard Tensorboard原本是Google TensorFlow的可视化工具，可以用于记录训练数据、评估数据、网络结构、图像等，并且可以在web上展示，对于观察神经网络的过程非常有帮助。PyTor
【Tensorboard 使用】生成model结构图解决方案：add_graph() 和 torchsummary可视化模型信息
最新发布
weixin_44955407的博客
01-30 550
pytorch
详解PyTorch项目使用TensorboardX进行训练可视化
热门推荐
浅度寺
02-28 13万+
目录什么是TensorboardX配置TensorboardX环境要求安装使用 pip 安装从源码安装使用TensorboardX一些tips 什么是TensorboardX Tensorboard 是 TensorFlow 的一个附加工具，可以记录训练过程的数字、图像等内容，以方便研究人员观察神经网络训练过程。可是对于 PyTorch 等其他神经网络训练框架并没有功能像 Tensorboard ...
tensorboardX add_graph 无法显示网络图
u010892804的博客
08-24 1517
貌似tensorboardX更新完之后，调用add_graph后在浏览器中无法正常显示网络图，只有两个空白框，如下图。当我天真地以为这是tensorboardX的bug，后续的更新应该会修复这个bug，但是持续几个月的等待，貌似tensorboardX一直存在这个问题，于是就有了以下的替代方案。 将from tensorboardX import SummaryWriter 替换成from torch.utils.tensorboard import SummaryWriter 前提是Py.
PyTorch学习笔记（五）TensorBoard可视化
longrootchen的博客
05-08 801
本文记录了在 PyTorch 中使用 TensorBoard 进行可视化的方法。
Tensorboard 报错 graph = graph_profile[0] TypeError: ‘GraphDef‘ object does not support indexing
fightingfighting的博客
04-24 1846
想要用tensorboard显示网络计算图 from tensorboardX import SummaryWriter ．．．．．． resultdict = G(input) if(count==0): with SummaryWriter(comment='graph') as w: w.add_graph(G,(input,)) ．．．．．． 报错warnings.warn(
tianshou基于pytorch的SACPolicy连续空间算法算法训练，输出训练模型pth,并利用writer.add_graph输出网络结构
05-13
好的，您可以按照以下步骤使用tianshou进行SACPolicy的训练，并且输出训练模型pth，并利用writer.add_graph输出网络结构。 1. 安装tianshou 您可以使用以下命令安装最新版本的tianshou： ``` pip install tianshou ``` 2. 构建环境 您需要构建一个gym环境，然后将其传递给tianshou的环境包装器。以下是一个示例环境： ```python import gym import numpy as np class MyEnv(gym.Env): def __init__(self): self.action_space = gym.spaces.Box(low=-1, high=1, shape=(1,)) self.observation_space = gym.spaces.Box(low=-1, high=1, shape=(1,)) self.state = np.zeros((1,)) def reset(self): self.state = np.zeros((1,)) return self.state def step(self, action): action = np.clip(action, -1, 1) reward = -np.abs(action) self.state += action done = False return self.state, reward, done, {} ``` 在这个环境中，我们使用一个连续的动作空间和一个连续的观测空间，每个步骤的奖励为动作的绝对值的负数。 3. 定义模型 使用tianshou的智能体API，我们可以定义我们的SACPolicy模型： ```python import torch import torch.nn.functional as F from tianshou.policy import SACPolicy class MyModel(torch.nn.Module): def __init__(self, obs_shape, action_shape): super().__init__() self.obs_dim = obs_shape[0] self.act_dim = action_shape[0] self.fc1 = torch.nn.Linear(self.obs_dim, 64) self.fc2 = torch.nn.Linear(64, 64) self.mu_head = torch.nn.Linear(64, self.act_dim) self.sigma_head = torch.nn.Linear(64, self.act_dim) self.value_head = torch.nn.Linear(64, 1) def forward(self, obs, state=None, info={}): x = F.relu(self.fc1(obs)) x = F.relu(self.fc2(x)) mu = self.mu_head(x) sigma = F.softplus(self.sigma_head(x)) value = self.value_head(x) dist = torch.distributions.Normal(mu, sigma) return dist, value ``` 在这个模型中，我们使用两个完全连接的层来处理观察，并将输出分别传递到一个均值头和一个标准差头中。我们还添加了一个价值头来估计每个状态的价值。最后，我们将均值和标准差组合成一个正态分布，以便我们可以从中采样动作。 4. 训练模型 使用tianshou的训练API，我们可以定义我们的训练循环： ```python import torch.optim as optim from tianshou.trainer import offpolicy_trainer from tianshou.data import Collector, ReplayBuffer from torch.utils.tensorboard import SummaryWriter env = MyEnv() train_envs = gym.make('MyEnv-v0') test_envs = gym.make('MyEnv-v0') # 建立replay buffer buffer = ReplayBuffer(size=10000, buffer_num=1) # 建立collector train_collector = Collector(policy, train_envs, buffer) test_collector = Collector(policy, test_envs) # 建立optimizer optimizer = optim.Adam(policy.parameters(), lr=3e-4) # 定义训练循环 result = offpolicy_trainer( policy, train_collector, test_collector, optimizer, max_epoch=100, step_per_epoch=1000, collect_per_step=1, episode_per_test=10, batch_size=64, train_fn=None, test_fn=None, stop_fn=None, writer=writer, verbose=True) ``` 在这个循环中，我们首先创建一个回放缓冲区和一个collector，然后使用Adam优化器来优化我们的模型参数。我们使用offpolicy_trainer方法来训练我们的模型，其中我们设置了一些超参数，如最大epoch数、每个epoch的步数、每个步骤的收集数等。 5. 输出模型 训练完成后，我们可以将模型保存为一个.pth文件： ```python torch.save(policy.state_dict(), 'model.pth') ``` 6. 输出网络结构 最后，我们可以使用以下代码将网络结构写入TensorBoard： ```python writer.add_graph(policy, torch.zeros((1, 1))) ``` 在这个例子中，我们使用一个大小为1的观察空间，以便我们可以将模型传递给writer.add_graph方法。这将在TensorBoard中显示我们的网络结构。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值