极品尤物一区二区三区,久久激情视频久久,国产九九精品视频

主頁 > 知識庫 > 在Pytorch中簡單使用tensorboard

在Pytorch中簡單使用tensorboard

一、tensorboard的簡要介紹

TensorBoard是一個獨立的包（不是pytorch中的），這個包的作用就是可視化您模型中的各種參數和結果。

下面是安裝：

pip install tensorboard

安裝 TensorBoard 后，這些實用程序使您可以將 PyTorch 模型和指標記錄到目錄中，以便在 TensorBoard UI 中進行可視化。 PyTorch 模型和張量以及 Caffe2 網絡和 Blob 均支持標量，圖像，直方圖，圖形和嵌入可視化。

SummaryWriter 類是您用來記錄數據以供 TensorBoard 使用和可視化的主要入口。
看一個例子，在這個例子中，您重點關注代碼中的注釋部分：

import torch
import torchvision
from torchvision import datasets, transforms
# 可視化工具, SummaryWriter的作用就是，將數據以特定的格式存儲到上面得到的那個日志文件夾中
from torch.utils.tensorboard import SummaryWriter

# 第一步：實例化對象。注：不寫路徑，則默認寫入到 ./runs/ 目錄
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)

# 讓 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：調用對象的方法，給文件夾存數據
writer.add_image('images', grid, 0)
writer.add_graph(model, images)
writer.close()

點擊運行之后，我們就可以在文件夾下看到我們保存的數據了，然后我們就可以使用 TensorBoard 對其進行可視化，該 TensorBoard 應該可通過以下方式運行（在命令行）：

tensorboard --logdir=runs

運行結果：

把上述的地址，粘貼到瀏覽器就可以看到可視化的結果了，如下所示：

接著看：

一個實驗可以記錄很多信息。為了避免 UI 混亂和更好地將結果聚類，我們可以通過對圖進行分層命名來對圖進行分組。例如，“損失/訓練”和“損失/測試”將被分組在一起，而“準確性/訓練”和“準確性/測試”將在 TensorBoard 界面中分別分組。

我們再看一個更簡單的例子來理解上面的話：

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

# 第一步：實例化對象。注：不寫參數默認是 ./run/ 文件夾下
writer = SummaryWriter()

for n_iter in range(100):
    # 第二步：調用對象的方法，給文件夾存數據
    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()

點擊運行(保存數據)；
在命令行輸入tensorboard --logdir=run（run是保存的數據的所在路徑）

實驗結果：

好了，現在你對tensorboard有了初步的認識，也知道了怎么在pytorch中保存模型在運行過程中的一些數據了，還知道了怎么把tensorboard運行起來了。

但是，我們還沒有細講前面提到的幾個函數，因此接下來我們看這幾個函數的具體使用。

二、torch.utils.tensorboard涉及的幾個函數

2.1 SummaryWriter()類

API：

class torch.utils.tensorboard.writer.SummaryWriter(log_dir=None, comment='',
purge_step=None, max_queue=10, flush_secs=120, filename_suffix='')

作用：將數據保存到 log_dir 文件夾下以供 TensorBoard 使用。

SummaryWriter 類提供了一個高級 API，用于在給定目錄中創建事件文件并向其中添加摘要和事件。該類異步更新文件內容。這允許訓練程序從訓練循環中調用直接將數據添加到文件的方法，而不會減慢訓練速度。

下面是SummaryWriter()類的構造函數：

def __init__(log_dir=None, comment='', purge_step=None, max_queue=10, flush_secs=120, 
filename_suffix='')

作用：創建一個 SummaryWriter 對象，它將事件和摘要寫到事件文件中。

參數說明：

log_dir (字符串）：保存目錄位置。默認值為 run/CURRENT_DATETIME_HOSTNAME ，每次運行后都會更改。使用分層文件夾結構可以輕松比較運行情況。例如為每個新實驗傳遞“ runs / exp1”，“ runs / exp2”等，以便在它們之間進行比較。
comment(字符串）：注釋 log_dir 后綴附加到默認值log_dir。如果分配了log_dir，則此參數無效。
purge_step (python：int )：當日志記錄在步驟 T + X T+X T+X 崩潰并在步驟 T T T 重新啟動時，將清除 global_step 大于或等于的所有事件，隱藏在 TensorBoard 中。請注意，崩潰的實驗和恢復的實驗應具有相同的log_dir。
max_queue (python：int )：在“添加”調用之一強行刷新到磁盤之前，未決事件和摘要的隊列大小。默認值為十個項目。
flush_secs (python：int )：將掛起的事件和摘要刷新到磁盤的頻率(以秒為單位）。默認值為每兩分鐘一次。
filename_suffix (字符串）：后綴添加到 log_dir 目錄中的所有事件文件名中。在 tensorboard.summary.writer.event_file_writer.EventFileWriter 中有關文件名構造的更多詳細信息。

例子：

from torch.utils.tensorboard import SummaryWriter

# 使用自動生成的文件夾名稱創建summary writer
writer = SummaryWriter()
# folder location: runs/May04_22-14-54_s-MacBook-Pro.local/

# 使用指定的文件夾名稱創建summary writer
writer = SummaryWriter("my_experiment")
# folder location: my_experiment

# 創建一個附加注釋的 summary writer
writer = SummaryWriter(comment="LR_0.1_BATCH_16")
# folder location: runs/May04_22-14-54_s-MacBook-Pro.localLR_0.1_BATCH_16/

2.2 add_scalar()函數

API：

add_scalar(tag, scalar_value, global_step=None, walltime=None)

作用：將標量數據添加到summary

參數說明：

tag (string) ：數據標識符
scalar_value (float or string/blobname) ：要保存的值
global_step (int) ：要記錄的全局步長值，理解成 x坐標
walltime (float)：可選，以事件發生后的秒數覆蓋默認的 walltime(time.time(））

例子：

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter()
x = range(100)
for i in x:
    writer.add_scalar('y_2x', i * 2, i)

writer.close()

結果：

2.3 add_scalars()函數

API：

add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)

作用：將許多標量數據添加到 summary 中。

參數說明：

main_tag (string) ：標記的父名稱
tag_scalar_dict (dict) ：存儲標簽和對應值的鍵值對
global_step (int) ：要記錄的全局步長值
walltime (float) ：可選的替代默認時間 Walltime(time.time(））秒

例子：

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter()
r = 5
for i in range(100):
    writer.add_scalars('run_14h', {'xsinx':i*np.sin(i/r),
                                    'xcosx':i*np.cos(i/r),
                                    'tanx': np.tan(i/r)}, i)
writer.close()
# 此調用將三個值添加到帶有標記的同一個標量圖中
# 'run_14h' 在 TensorBoard 的標量部分

結果：

2.4 add_histogram()

add_histogram(tag, values, global_step=None, bins='tensorflow', walltime=None, max_bins=None)

作用：將直方圖添加到 summary 中。

參數說明：

tag (string)：數據標識符
values (torch.Tensor, numpy.array, or string/blobname) ：建立直方圖的值
global_step (int) ：要記錄的全局步長值
bins (string) ： One of {‘tensorflow','auto', ‘fd', …}. 這決定了垃圾箱的制作方式。您可以在以下位置找到其他選項：https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html
walltime (float) – Optional override default walltime (time.time()) seconds after epoch of event

例子：

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

writer = SummaryWriter()

for i in range(10):
    x = np.random.random(1000)
    writer.add_histogram('distribution centers', x + i, i)

writer.close()

結果：