深度学习-Tensorboard可视化面板

Posted 2023-02-19 吾仄lo咚锵

文章目录

• 简介
• 安装
• SummaryWriter
• • 新建
  • 添加数字
  • 运行
  • 添加图片
  • 添加直方图
  • 添加模型结构
• 实战

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

简介

---

Tensorboard是Tensorflow官方提供的实用可视化工具，可以将模型训练过程中的各种数据保存到本地，然后在web端可视化展现这些信息，直观便捷的方便我们进行优化调试。

官方文档：https://github.com/tensorflow/tensorboard/blob/master/README.md

相应环境搭建可参考我这篇博客：深度学习-Pytorch环境搭建（Windows）

安装

---

使用pip安装即可。

pip install tensorboard

SummaryWriter

新建

---

新建一个SummaryWriter对象，保存待观测数据。

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

重要参数：

• log_dir
  保存目录，默认为runs/**CURRENT_DATETIME_HOSTNAME**
• comment
  保存文件名中添加comment

一般不同实验数据，可以用不同的路径以区分，如runs/exp1。
新建好Writer对象后，便是往其中添加各种类型的数据，这里介绍主要的几种：数字 (scalar)、图片 (image)、直方图 (histogram)、模型 (graph)。

添加数字

---

使用add_scalars()添加数字，也是最常用的。

Args:
        main_tag (string): The parent name for the tags
        tag_scalar_dict (dict): Key-value pair storing the tag and corresponding values
        global_step (int): Global step value to record
        walltime (float): Optional override default walltime (time.time())seconds after epoch of event

参数：

• main_tag
  标记名，文件名前缀
• tag_scalar_dict
  k-v格式存储的数据
• global_step
  全局步长值，即标注当前是第几步
• walltime
  记录发生的时间，默认为 time.time()
  例子：

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

writer = SummaryWriter(log_dir='runs/test')
r = 5
for i in range(100):
    writer.add_scalars(main_tag='run_14h',
                       tag_scalar_dict='xsinx': i * np.sin(i / r), 'xcosx': i * np.cos(i / r), 'tanx': np.tan(i / r),
                       global_step=i)
writer.close()

运行

---

复制日志的绝对路径

进入conda环境
win+r，activate base，conda activate 你的环境名

运行tensorboard，指定前面复制的路径，可以自定义端口号，默认6006

tensorboard --logdir=日志路径 --port=自定义端口号

打开http://localhost:6006/或http://127.0.0.1:6006/，即可实现web可视化。

页面上相关设置可以自己探索~

添加图片

---

使用add_image()添加图片。

Args:
    tag (string): Data identifier
    img_tensor (torch.Tensor, numpy.array, or string/blobname): Image data
    global_step (int): Global step value to record
    walltime (float): Optional override default walltime (time.time())seconds after epoch of event
    dataformats (string): Image data format specification of the form CHW, HWC, HW, WH, etc.

参数：

• tag
  标记名
• img_tensor
  图片源，可以是torch.Tensor或numpy.array等格式
• global_step
  全局步长值，即标注当前是第几步
• dataformats
  图片源格式，也就是图片Height、Width、Channel的顺序，默认(3, H, W)。

例子：

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image
writer = SummaryWriter(log_dir='runs/image')
img_PIL = Image.open('icon.jpg')
img_array = np.array(img_PIL)
print(img_array.shape)
writer.add_image(tag='image', img_tensor=img_array, dataformats='HWC')
writer.close()

（插播反爬信息 ）博主CSDN地址：https://wzlodq.blog.csdn.net/

运行同上一节。

添加直方图

---

使用add_histogram()添加直方图。

Args:
    tag (string): Data identifier
    values (torch.Tensor, numpy.array, or string/blobname): Values to build histogram
    global_step (int): Global step value to record bins (string): One of 'tensorflow','auto', 'fd', .... This determines how the bins are made. You can find other options in: https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html 
    walltime (float): Optional override default walltime (time.time()) seconds after epoch of event

参数解释同上。

例子：

from torch.utils.tensorboard import SummaryWriter
import numpy as np
writer = SummaryWriter(log_dir='runs/histogram')
for i in range(10):
    x = np.random.random(1000)
    writer.add_histogram('distribution centers', x + i, i)
writer.close()

运行同上。

添加模型结构

---

使用add_graph()添加图片。

Args:
    model (torch.nn.Module): Model to draw.
    input_to_model (torch.Tensor or list of torch.Tensor): A variable or a tuple of variables to be fed.
    verbose (bool): Whether to print graph structure in console.
    use_strict_trace (bool): Whether to pass keyword argument `strict` to `torch.jit.trace`. Pass False when you want the tracer to record your mutable container types (list, dict)

参数：

• model
  模型
• input_to_model
  模型输入
• verbose
  是否在控制台打印模型结构

例子：

import torch
from torch import nn
from torch.utils.tensorboard import SummaryWriter


# 自定义神经网络，需继承nn.Module
class MyNet(nn.Module):

    def __init__(self) -> None:
        super().__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, padding=2),
            nn.MaxPool2d(2),
            nn.ReLU()
        )

    def forward(self, x):
        x = self.model(x)
        return x


writer = SummaryWriter(log_dir='runs/graph')  # 可视化
net = MyNet()
input = torch.ones((64, 3, 32, 32))
writer.add_graph(net, input)
writer.close()

可以双击展开或收起，查看模型细节。

还可以添加嵌入向量等，参考文档照葫芦画瓢~

实战

---

构建一个简单的线性模型，可视化损失、参数的变化。

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

writer = SummaryWriter(log_dir='runs/graph')
data = torch.randn(3, 5)  # 数据
model = nn.Sequential(nn.Linear(5, 3), nn.ReLU(), nn.Linear(3, 1))  # 模型
optimizer = torch.optim.Adam(model.parameters(), lr=1e-2)
epochs = 100
for epoch in range(epochs):
    loss = (model(data).sum()-1)**2
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    writer.add_scalar('Loss', loss.item(), epoch)  # 记录损失的变化
    writer.add_histogram('model[0].weight', model[0].weight, epoch)  # 记录参数的变化
writer.add_graph(model, data)  # 可视模型结构
writer.close()

原创不易，请勿转载（本不富裕的访问量雪上加霜 ）
博主首页：https://wzlodq.blog.csdn.net/
来都来了，不评论两句吗👀
如果文章对你有帮助，记得一键三连❤