TensorBoard的使用

TensorBoard是一个可视化工具，它可以用来展示网络图、张量的指标变化、张量的分布情况等。特别是在训练网络的时候，我们可以设置不同的参数（比如：权重W、偏置B、卷积层数、全连接层数等），使用TensorBoader可以很直观的帮我们进行参数的选择。

SummaryWriter类：

        提供了一个高级API来创建事件文件。

        

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

         其构造函数，log_dir是存储目录位置，默认位置是folder location: runs/May04_22-14-54_s-MacBook-Pro.local/，也可以自己设一个目录名字如：logs

add_scalar函数：添加一个标量数据进行summary，生成了一个图表

        

def add_scalar(
        self,
        tag,
        scalar_value,
        global_step=None,
        walltime=None,
        new_style=False,
        double_precision=False,
    ):

         tag是标题，scalar_value是y坐标，global_step是x坐标

画一个y=x的图表：

from torch.utils.tensorboard import SummaryWriter


writer = SummaryWriter("logs")
for i  in range(100):
    writer.add_scalar("y=x", i, i)

writer.close()

执行上述代码后在本文件下生成了一个logs文件，且包含了一个事件文件

在终端输入以下命令进行查看事件文件：

        tensorboard --logdir=logs --port=6007

我们也可以画一个y=2x的图标，将上诉代码改成2*i，也要改一下title，每执行一次代码后，生成了一个新的事件文件，再去查看图表就有2个图表了。如果不改变title那么它会认为是将前后两次的函数进行一个拟合，生成的图像就会很奇怪

add_image函数：

         

def add_image(self, tag, img_tensor, global_step=None, walltime=None, dataformats='CHW'):

其中tag也是一个类似于title的标识符，不同的tag会把图像添加在不同的块中，img_tensor是图像数据，支持的数据形式有torch.Tensor, numpy.array, or string/blobname类型，step是步长，步长的不同可以区分一个块中不同的图片，也就是说tag相当于是一个大分类，而步长是一个分类中表示编号或者顺序不同的图片。dataformats是图片的shape形式，比如你的图片格式是通道数在前面就用上诉格式，也是默认格式，如果你的通道数在后面如460*460*3，那么急用'HWC'

      

image_path = "hymenoptera_data/train/ants/5650366_e22b7e1065.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)
writer.add_image("train", img_array, 2, dataformats='HWC')