pytorch 如何使用tensorboard实时查看曲线---- tensorboardX简介

用惯了tensorflow的小伙伴肯定都用过tensorboard工具吧。虽然Facebook也推出了visdom,但是在一次不小心误触clear之后,我放弃了这个工具(页面的一个clear按钮我本来是想按save的……它们俩一左一右,脑子一热按错了,点击之后clear之后不知道怎么找回曲线数据,真的崩溃)pytorch 如何使用tensorboard实时查看曲线---- tensorboardX简介

说回pytorch使用tensorboard吧……

  1. 首先是安装。
    pip install tensorboardX

    这东西虽然是给pytorch用的,但是其实还是走的tensorboard那一套东西,所以你的环境里还需要有tensorflow。(cpu、gpu版本不限,随手装一个就好了)

  2. 调用
    from tensorboardX import SummaryWriter

    使用的就是SummaryWriter这个类。简单的使用可以直接使用SummaryWriter实例

    # before train
    log_writer = SummaryWriter('log_file_path') # in training
    log_writer.add_scalar('Train/Loss', loss.data[0], niter)
    # in pytorch1.0 loss.data[0] should be loss.item()

    如果你不仅仅是需要记录一个loss这么简单,也可以对SummaryWriter做一个封装。

    class Tacotron2Logger(SummaryWriter):
    def __init__(self, logdir):
    super(Tacotron2Logger, self).__init__(logdir) def log_training(self, reduced_loss, grad_norm, learning_rate, duration,
    iteration):
    self.add_scalar("training.loss", reduced_loss, iteration)
    self.add_scalar("grad.norm", grad_norm, iteration)
    self.add_scalar("learning.rate", learning_rate, iteration)
    self.add_scalar("duration", duration, iteration) def log_validation(self, reduced_loss, model, y, y_pred, iteration):
    self.add_scalar("validation.loss", reduced_loss, iteration)
    _, mel_outputs, gate_outputs, alignments = y_pred
    mel_targets, gate_targets = y # plot distribution of parameters
    for tag, value in model.named_parameters():
    tag = tag.replace('.', '/')
    self.add_histogram(tag, value.data.cpu().numpy(), iteration) # plot alignment, mel target and predicted, gate target and predicted
    idx = random.randint(0, alignments.size(0) - 1)
    self.add_image(
    "alignment",
    plot_alignment_to_numpy(alignments[idx].data.cpu().numpy().T),
    iteration)
    self.add_image(
    "mel_target",
    plot_spectrogram_to_numpy(mel_targets[idx].data.cpu().numpy()),
    iteration)
    self.add_image(
    "mel_predicted",
    plot_spectrogram_to_numpy(mel_outputs[idx].data.cpu().numpy()),
    iteration)
    self.add_image(
    "gate",
    plot_gate_outputs_to_numpy(
    gate_targets[idx].data.cpu().numpy(),
    F.sigmoid(gate_outputs[idx]).data.cpu().numpy()),
    iteration)

    这段代码是从NVIDIA tacotron2中摘取过来的。使用和前面一样,只不过把类名改一下就是了,调用的时候,按照你自己定义的类函数去调用就好了。基本功能还是都在的,画图画曲线什么的。没有visdom花里胡哨就是了。

    log_writer = Tacotron2Logger('log_file_path')
    
    log_writer.log_training(self, reduced_loss, grad_norm, learning_rate, duration, iteration)

    这样封装后,就不会在train的代码里很凌乱了。

  3. 网页查看,这个就回到tensorboard一样的操作了。
    tensorboard --logdir=./log_file_path --port=
    # log_file_path 是初始化log_writer时候的那个参数地址。
    # 这里端口号可以随意改,默认是6006。
  4. 然后命令行会告诉你在浏览器输入 ip:8765进行查看,这个和tensorboard一样了就。
上一篇:java学习之(垃圾回收)


下一篇:JapserReport导出PDF Could not load the following font错误