在Pytorch中简单使用tensorboard

一、tensorboard的简要介绍

TensorBoard是一个独立的包（不是pytorch中的），这个包的作用就是可视化您模型中的各种参数和结果。

下面是安装：

pip install tensorboard

安装 TensorBoard 后，这些实用程序使您可以将 PyTorch 模型和指标记录到目录中，以便在 TensorBoard UI 中进行可视化。 PyTorch 模型和张量以及 Caffe2 网络和 Blob 均支持标量，图像，直方图，图形和嵌入可视化。

SummaryWriter 类是您用来记录数据以供 TensorBoard 使用和可视化的主要入口。
看一个例子，在这个例子中，您重点关注代码中的注释部分：

import torch
import torchvision
from torchvision import datasets, transforms
# 可视化工具, SummaryWriter的作用就是，将数据以特定的格式存储到上面得到的那个日志文件夹中
from torch.utils.tensorboard import SummaryWriter

# 第一步：实例化对象。注：不写路径，则默认写入到 ./runs/ 目录
writer = SummaryWriter()

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
trainset = datasets.MNIST('mnist_train', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)
model = torchvision.models.resnet50(False)

# 让 ResNet 模型采用灰度而不是 RGB
model.conv1 = torch.nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False)
images, labels = next(iter(trainloader))

grid = torchvision.utils.make_grid(images)

# 第二步：调用对象的方法，给文件夹存数据
writer.add_image('images', grid, 0)
writer.add_graph(model, images)
writer.close()

点击运行之后，我们就可以在文件夹下看到我们保存的数据了，然后我们就可以使用 TensorBoard 对其进行可视化，该 TensorBoard 应该可通过以下方式运行（在命令行）：

tensorboard --logdir=runs

运行结果：

把上述的地址，粘贴到浏览器就可以看到可视化的结果了，如下所示：

接着看：

一个实验可以记录很多信息。 为了避免 UI 混乱和更好地将结果聚类，我们可以通过对图进行分层命名来对图进行分组。 例如，“损失/训练”和“损失/测试”将被分组在一起，而“准确性/训练”和“准确性/测试”将在 TensorBoard 界面中分别分组。

我们再看一个更简单的例子来理解上面的话：

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

# 第一步：实例化对象。注：不写参数默认是 ./run/ 文件夹下
writer = SummaryWriter()

for n_iter in range(100):
   # 第二步：调用对象的方法，给文件夹存数据
   writer.add_scalar('Loss/train', np.random.random(), n_iter)
   writer.add_scalar('Loss/test', np.random.random(), n_iter)
   writer.add_scalar('Accuracy/train', np.random.random(), n_iter)
   writer.add_scalar('Accuracy/test', np.random.random(), n_iter)

writer.close()

点击运行(保存数据)；
在命令行输入tensorboard --logdir=run（run是保存的数据的所在路径）

实验结果：

来源：https://blog.csdn.net/weixin_45901519/article/details/117735506