详解Tensorboard及使用教程 _tensorboard

黄沙百战穿金甲，不破楼兰终不还。这篇文章主要讲述详解Tensorboard及使用教程相关的知识，希望能为你提供帮助。
@TOC
一、什么是TensorboardTensorboard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 npwriter = 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：

文章图片

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 torchimg = 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：

文章图片

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 nnwriter = 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：