PyTorch学习—15.PyTorch中TensorBoard的使用

一、TensorBoard简介与安装

  TensorBoard是一种可视化工具。在训练过程中，我们要可视化训练过程，用来监控我们当前训练的训练状态。TensorBoard是TensorFlow中强大的可视化工具，但目前PyTorch已支持TensorBoard的使用，支持标量、图像、文本、音频、视频和Eembedding等多种数据可视化。

1.TensorBoard的运行机制

• python脚本中记录可视化的数据
• 将数据存储在硬盘中，以event file的形式存储
  
• 在终端使用TensorBoard工具读取event file的形式数据，TensorBoard工具在Web端进行可视化
  
  网址即为可视化后的网址
  

2. TensorBoard安装

  在conda中直接输入pip install tensorboard来进行安装

二、TensorBoard的使用

1.SummaryWriter

class SummaryWriter(object):
	def __init__(self, log_dir=None, comment='', 
		purge_step=None, max_queue=10,
		flush_secs=120, filename_suffix=''):
		...

功能：提供创建event file的高级接口
主要属性：

• log_dir：event file输出文件夹
• comment：不指定log_dir时，文件夹后缀
• filename_suffix：event file文件名后缀

下面展示这三个参数的使用

import os
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.tensorboard import SummaryWriter

log_dir = "./train_log/test_log_dir"
writer = SummaryWriter(log_dir=log_dir, comment='_scalars', filename_suffix="12345678")

for x in range(100):
    writer.add_scalar('y=pow_2_x', 2 ** x, x)

writer.close()

import os
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.tensorboard import SummaryWriter

log_dir = "./train_log/test_log_dir"
writer = SummaryWriter(comment='_scalars', filename_suffix="12345678")

for x in range(100):
    writer.add_scalar('y=pow_2_x', 2 ** x, x)

writer.close()

主要方法：

• add_scalar

  add_scalar(tag, scalar_value, global_step=None, walltime=None)
  

  功能：记录标量，缺点是只能记录一条曲线

  • tag：标签名，唯一标识
  • scalar_value：要记录的标量
  • global_step：x轴

• add_scalars()

  add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)
  

  • main_tag：标签
  • tag_scalar_dict：key是变量的tag，value是变量的值

上述两个方法的使用如下：

import os
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.tensorboard import SummaryWriter
max_epoch = 100

writer = SummaryWriter(comment='test_comment', filename_suffix="test_suffix")

for x in range(max_epoch):

    writer.add_scalar('y=2x', x * 2, x)
    writer.add_scalar('y=pow_2_x', 2 ** x, x)

    writer.add_scalars('materials/scalar_group', {"xsinx": x * np.sin(x),
                                             "xcosx": x * np.cos(x)}, x)

writer.close()

生成的事件文件为：

此时，在终端可视化后可得

点击这个网址，会使用默认浏览器打开可视化界面

• add_histogram()

  add_histogram(tag, values, global_step=None, bins='tensorflow', walltime=None)
  

  功能：统计直方图与多分位数折线图，用于分析模型参数分布与梯度分布是非常有用的

  • tag：标签名，唯一标识
  • values：要统计的参数
  • global_step：y轴
  • bins：取直方图的bins

import os
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter(comment='test_comment', filename_suffix="test_suffix")

for x in range(2):

    np.random.seed(x)

    # 等差分布
    data_union = np.arange(100)
    # 正态分布
    data_normal = np.random.normal(size=1000)

    writer.add_histogram('distribution union', data_union, x)
    writer.add_histogram('distribution normal', data_normal, x)

    plt.subplot(121).hist(data_union, label="union")
    plt.subplot(122).hist(data_normal, label="normal")
    plt.legend()
    plt.show()

writer.close()

在tensorboard的wed端显示：

---

如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论或者私信！

---