详解Tensorboard及使用教程

已于 2023-04-13 18:43:29 修改
阅读量5.6w 收藏 515
点赞数 119
分类专栏： 深度学习 文章标签： pytorch 深度学习 神经网络
于 2021-11-13 14:00:40 首次发布
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_53598445/article/details/121301078
版权

目录

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。PyTorch也推出了自己的可视化工具，一个是tensorboardX包，一个是torch.utils.tensorboard，二者的使用相差不大，这里介绍后者

二、配置Tensorboard

环境要求

  • 操作系统：Windows
  • Python3
  • PyTorch >= 1.0.0 && torchvision >= 0.2.1 && tensorboard >= 1.12.0 1

安装

注： 虽说PyTorch中直接有tensorboard的包，但是有时用的时候还是会报错，所以安装TensorFlow之后torch.utils.tensorboard就可以直接使用且稳定，所以这里介绍安装TensorFlow的方法。

  • pip环境(相对麻烦需要下载依赖项)

pip install tensorflow_gpu=2.5.0 -i https://pypi.mirrors.ustc.edu.cn/simple/
pip install six numpy wheel
pip install keras_applications=1.0.6 --no-deps
pip install keras_preprocessing=1.0.5 --no-deps

  • conda环境安装

conda install --channel https://conda.anaconda.org/anaconda tensorflow=2.5.0

三、Tensorboard的使用

首先展示该包的使用的大致流程

1)导入tensorboard，实例化SummaryWriter类，指明记录日记路径等信息
from torch.utils.tensorboard import SummaryWriter
#实例化SummaryWriter，并指明日志存放路径。在当前目录如果每月logs目录将自动创建
#如果不写log_dir，系统将会创建runs目录
writer = SummaryWriter(log_dir = ‘logs’)
#调用实例
writer.add_xxx()
#关闭writer
writer.close()
2）调用相应的API，接口一般格式为：
add_xxx(tag_name, object, iteration-number)
3)启动tensorboard，在命令行中输入
tensorboard --logdir=r’加logs所在路径’
4)复制网址在浏览器中打开

使用各种add方法记录数据

单条曲线(scalar)

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

参数：

  • tag ( string ) – 数据标识符
  • scalar_value ( float或string/blobname ) – 要保存的值
  • global_step ( int ) – 要记录的全局步长值
  • walltime ( float ) – 记录训练的时间，默认 walltime (time.time()) 秒
  • new_style ( boolean ) – 是使用新样式（张量字段）还是旧样式（simple_value 字段）。新样式可能会导致更快的数据加载。
    例子：
from torch.utils.tensorboard import SummaryWriter
import numpy as np

writer = SummaryWriter()
for x in range(1, 101) :
    writer.add_scalar('y = 2x', x, 2 * x) ### 这里反了，正常情况应该是writer.add_scalar('y = 2x', 2 * x, x)
writer.close()

效果
在这里插入图片描述

多条曲线(scalars)

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

参数

  • main_tag ( string ) – 标签的父名称
  • tag_scalar_dict ( dict ) – 存储标签和对应值的键值对
  • global_step ( int ) – 要记录的全局步长值
  • walltime ( float ) – 记录训练的时间，默认 walltime (time.time()) 秒
    例子：
from torch.utils.tensorboard import SummaryWriter
import numpy as np

writer = SummaryWriter()
r = 5
for x in range(1, 101) :
    writer.add_scalars('run_14h', {'xsinx' : x * np.sin(x / r), 
                                  'xcosx' : x * np.cos(x / r), 
                                  'xtanx' : x * np.tan(x / r)}, x)
writer.close()

效果：
在这里插入图片描述

直方图(histogram)

add_histogram( tag , values , global_step = None , bins = ‘tensorflow’ , walltime = None , max_bins = None )

参数：

  • tag ( string ) – 数据标识符
  • 值（torch.Tensor、numpy.array或string/blobname）– 构建直方图的值
  • global_step ( int ) – 要记录的全局步长值
  • bins ( string ) – {‘tensorflow’,‘auto’, ‘fd’, …} 之一。这决定了柱的制作方式。
  • walltime ( float ) – 记录训练的时间，默认 walltime (time.time()) 秒
    例子：
from torch.utils.tensorboard import SummaryWriter
import numpy as np

writer = SummaryWriter()
for step in range(10) :
    x = np.random.randn(1000)
    writer.add_histogram('distribution of gaussion', x, step)
writer.close()

效果：
在这里插入图片描述

图片(image)

add_image(tag, img_tensor, global_step=None, walltime=None, dataformats = ‘CHW’)

参数：

  • tag ( string ) – 数据标识符
  • img_tensor ( torch.Tensor , numpy.array , or string/blobname ) – 图像数据
  • global_step ( int ) – 要记录的全局步长值
  • walltime ( float ) – 记录训练的时间，默认 walltime (time.time()) 秒
    例子：
from torch.utils.tensorboard import SummaryWriter
import numpy as np
import cv2 as cv
import torch

img = cv.imread('zhou.jpg', cv.IMREAD_COLOR)#输入图像要是3通道的，所以读取彩色图像
img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
img = torch.tensor(img.transpose(2, 0, 1))#cv读取为numpy图像为(H * W * C)，所以要进行轴转换
writer.add_image('zhou_ge', img, 0)

writer.close()

效果：
在这里插入图片描述

渲染(figure)

add_figure( tag , figure , global_step = None , close = True , walltime = None )

参数：

  • tag ( string ) – 数据标识符
  • image( matplotlib.pyplot.figure ) – 图或图列表
  • global_step ( int ) – 要记录的全局步长值
  • close ( bool ) – 自动关闭图形的标志
  • walltime ( float ) – 记录训练的时间，默认 walltime (time.time()) 秒

例子：

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

writer = SummaryWriter()

x = np.linspace(0, 10, 1000)
y = np.sin(x)

figure1 = plt.figure()
plt.plot(x, y, 'r-')
writer.add_figure('my_figure', figure1, 0)
writer.close()

效果:
在这里插入图片描述

网络(graph)

add_graph(model, input_to_model=None, verbose=False, use_strict_trace = True)

参数：

  • model( torch.nn.Module ) – 要绘制的模型。
  • input_to_model ( torch.Tensor or list of torch.Tensor ) – 要输入的变量或变量元组
  • verbose(bool）– 是否在控制台中打印图形结构。
  • use_strict_trace ( bool ) – 是否将关键字参数严格传递给 torch.jit.trace。当您希望跟踪器记录您的可变容器类型（列表、字典）时传递 False.

例子：

from torch.utils.tensorboard import SummaryWriter
import numpy as np
import torch
import torch.nn as nn

writer = SummaryWriter()
class MLP(nn.Module) :
    def __init__(self):
        super(MLP, self).__init__()
        self.Net = nn.Sequential(
            nn.Linear(784, 512),
            nn.ReLU(),

            nn.Linear(512, 128),
            nn.ReLU(),

            nn.Linear(128, 10)
        )
    def forward(self, input):
        input = input.view(-1, 28 * 28)
        return self.Net(input)
model = MLP()
input = torch.FloatTensor(np.random.rand(32, 1, 28, 28))
writer.add_graph(model, input)

writer.close()

效果：
在这里插入图片描述
在这里插入图片描述

其他

嵌入：

add_embedding(mat, metadata=None, label_img=None, global_step = None, tag=‘default’, metadata_header=None)

参数：

  • mat ( torch.Tensor or numpy.array ) – 一个矩阵，每一行都是数据点的特征向量
  • metadata ( list ) – 标签列表，每个元素都将转换为字符串
  • label_img ( torch.Tensor ) – 图像对应每个数据点
  • global_step ( int ) – 要记录的全局步长值
  • tag ( string ) – 嵌入的名称

三、结语

以上是关于一些tensorboard可视化的操作，如果您有收获的话，就给👨一个三连。就此谢过！

八岁爱玩耍
关注
专栏目录
Pytorch深度学习------TensorBoard的使用
LGL
07-22 5155
TensorBoard是一个工具，主要用于数据可视化，用大白话的语言来说就是可以记录在机器学习中表格数据、非表格数据（图片、文本、音频等）等变化，从而在模型中更直观的显示。
tensorboardX学习及使用
sdau2010143的博客
11-30 1082
参考： 【详解PyTorch项目使用TensorboardX进行训练可视化】 【pytorch官网】 【B站大佬】 PyTorch integrates with TensorBoard, a tool designed for visualizing the results of neural network training runs. 说明：个人理解，pytorch 的tensorboard就是用来显示Scalars, images, histograms, graphs, and embedding
06：Tensorflow的可视化工具Tensorboard的初步使用
热门推荐
【人工智能】王小草的博客
03-16 15万+
标签（空格分隔）： 王小草Tensorflow笔记 笔记整理者：王小草 笔记整理时间：2017年3月7日 代码原文请见github： 当使用Tensorflow训练大量深层的神经网络时，我们希望去跟踪神经网络的整个训练过程中的信息，比如迭代的过程中每一层参数是如何变化与分布的，比如每次循环参数更新后模型在测试集与训练集上的准确率是如何的，比如损失值的变化情况，等等。如果能在训练的过...
26. 完整的训练套路(二)TensorBoard、模型保存
最新发布
m0_57190127的博客
09-16 1111
深度学习环境准备之docker常用操作详解和pycharm/tensorboard远程使用方法
苹果姐计算机视觉原创知识分享
05-02 2277
作为深度学习算法工程师，除了要跟论文、公式、数据、代码打交道，还有更基础、有时候也是最头疼的就是环境，环境操作的熟练程度对工作效率有重要影响。经过无数次的挖坑踩坑，有必要把常用的环境操作进行总结梳理。 为了支持多个不同的工程，只有一个环境一般是不够的，使用过的多环境工具有anaconda虚拟环境、pipenv、docker等，但在大规模工程实践中，docker在多系统移植、多平台支持和多用户复用和隔离等方面有着非常大的优势，所以应用更加广泛。本文主要介绍docker的基本操作，以及搭建好docker环境后
PyTorch教程-8：举例详解TensorBoard的使用
超级超级小天才的博客
12-14 1326
PyTorch 教程系列：https://blog.csdn.net/qq_38962621/category_10652223.html PyTorch教程-8：举例详解TensorBoard的使用 TensroBoard 是一个帮助我们对模型训练、数据处理等很有帮助的可视化工具，虽然这些可视化操作都可以通过代码配合matplotlib这些很好用的绘图库来实现，但是TensorBoard使得它变得更加简单。 官方的一个简单教程：https://pytorch.org/tutorials/intermed
Tensorboard的使用
2301_79877516的博客
04-24 1255
小工具1：add_image方法的参数需要是tensor型或者是numpy型，这里利用numpy.array()对PIL图片进行转换，获得numpy型图片数据信息（tensor型数据的获取在下一篇文章中）（在使用完上述两种方法后，一定要记得关闭事件文件，否则无法在终端打开绘制的训练结果）如果想要查看绘制的图像，则需要用终端进行打开：（pytorch环境下的终端）此方法第二个参数是步骤的意思，如果还想加入图片的话，下一次就将步骤从1编程2。port ：端口名，防止默认端口使用的人太多而无法进入。
TensorBoard最全使用教程：看这篇就够了
qq_41656402的博客
06-09 5万+
TensorBoard最全使用教程：看这篇就够了
Tensorboard简单使用教程
lzfshub
08-03 1307
1. 简介 Tensorboard是一款支持标量类型（单一的类型，与复合类型相反）、图像、直方图、视频、音频等显示的工具. 2. 安装 pip install tensorboard tensorboard --logdir=runs # 记录文件的路径 3. 简单使用 很多数据可以在一次实验中被记录下来，为了避免所有的数据耦合在一起，可以通过分组的方式进行保存显示. from torch.utils.tensorboard import SummaryWriter import numpy as np
Tensorboard使用与调试
12-03
关于tensorboard如何使用，并配合Tensorflow神经网络来调参
详解PyTorch项目使用TensorboardX进行训练可视化
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 ...
TensorBoard的使用
这个函数可导的博客
03-15 1345
TensorBoard 是 TensorFlow 官方推出的可视化工具，它可以将模型训练过程中的各种汇总数据展示出来，包括标量(Scalars)、图片(Images)、音频(Audio)、计算图(Graphs)、数据分布(Distributions)、直方图(Histograms)和 Embeddigngs 向量等。
Tensorboard使用教程
qq_45022743的博客
05-24 2818
Tensorboard是TensorFlow官方提供的一个可视化工具，用于帮助开发者更好地理解和调试自己的模型。以下是使用Tensorboard的一些基本步骤：这些指标可以分别表示模型在训练集和验证集上的损失和准确率，global_step参数用于表示当前的epoch数。这个命令将会启动Tensorboard服务器，并将日志文件目录作为参数传入。在浏览器中打开http://localhost:6006，就可以看到Tensorboard的界面了。
tensorboard的使用
摆渡者
09-26 2万+
作用： 在复杂的问题中，网络往往都是很复杂的，为了方便调试参数以及调整网络结构，我们需要将计算图可视化出来，以便能够更好的进行下一步的决策。tensorboard是可视化tensorflow模型的训练过程的工具，在安装tensorflow的同时就已经安装好了tensorboard。tensorboard能够有效地展示tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使...
tensorboard的使用方法
ShaneHolmes
10-08 473
tensorflow简记 上一篇 主目录 下一篇 文章结构1 tensorboard安装2 tensorboard简介3 tensorboard启动 【前言】 tensorboar...
TensorBoard 的使用（一）
在下_诸葛的博客
04-12 5240
前言：   安装完 pytorch 环境后，我们正式学习第一个内容：使用 Tensorboard 来使数据可视化，对应 B站 小土堆 博主中 pytorch 教程的第八节内容，先看视频，再读本文章会比较容易看懂。 目录1、安装 TensorBoard2、代码展示3、解释代码4、运行代码5、打开TensorBoard6、结果展示 1、安装 TensorBoard   在运行下面主要代码之前，我们要先安装 TensorBoard 这个 python 库。 （这里先停一下，你要先学会安装 python 库，如.
tensorboard distribution
09-16
TensorBoard是一个用于可视化机器学习模型训练过程和结果的工具，它是TensorFlow深度学习框架的一部分。TensorBoard支持多种类型的可视化，包括损失函数曲线、精度曲线、计算图、直方图和嵌入向量等。 Distribution（分布式）功能是TensorBoard中的一个重要特性，它允许在多台机器上并行地训练模型，并将结果合并到一个可视化界面中。分布式训练可以加快模型的训练速度和扩展性，特别是在处理大规模数据和复杂模型时非常有用。 通过使用TensorBoard的Distribution功能，您可以在一个界面中同时查看多个训练任务的情况，包括损失函数、精度和其他指标的变化趋势。您还可以比较不同训练任务之间的性能差异，以便更好地了解模型训练的效果。
评论 21
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

打赏作者

八岁爱玩耍

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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