详解Tensorboard及使用教程

Posted 2022-03-02 进击的南方仔

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了详解Tensorboard及使用教程相关的知识，希望对你有一定的参考价值。

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)

三、Tensorboard的使用

首先展示该包的使用的大致流程

使用各种add方法记录数据

单条曲线(scalar)

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
![在这里插入图片描述](https://s4.51cto.com/images/blog/202203/01082851_621d68c37105432333.png?x-oss-process=image/watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=)
### 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)

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](https://s4.51cto.com/images/blog/202203/01082853_621d68c50444f18450.png?x-oss-process=image/watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=)
### 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)

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](https://s4.51cto.com/images/blog/202203/01082851_621d68c3a1cbb98811.png?x-oss-process=image/watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=)
### 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：