深度学习-Tensorboard可视化面板

唔仄lo咚锵

发布于 2022-12-09 15:24:45

1.1K0

文章被收录于专栏：blog(为什么会重名，真的醉了)blog(为什么会重名，真的醉了)

文章目录

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~

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

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()

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。

还有结构图、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.close()