本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.
@ TOC
一、什幺是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)
writer.close()
效果  ### 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: ```python 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:
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:  ### 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: ```python 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:
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:  ### 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: ```python 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:
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:man:一个三连。就此谢过!
Be First to Comment