在进一步讨论之前,可以在 https://www.tensorflow.org/tensorboard/ 上找到有关 TensorBoard 的更多详细信息。
安装 TensorBoard 后,这些实用程序可让您将 PyTorch 模型和指标记录到一个目录中,以便在 TensorBoard UI 中进行可视化。 PyTorch 模型和张量以及 Caffe2 网络和 blob 都支持标量、图像、直方图、图形和嵌入可视化。
SummaryWriter 类是您记录数据以供 TensorBoard 使用和可视化的主要入口。 例如:
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
from torchvision import datasets, transforms
# Writer will output to ./runs/ directory by default
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)
# Have ResNet model take in grayscale rather than 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)
writer.add_image('images', grid, 0)
writer.add_graph(model, images)
writer.close()
然后可以使用 TensorBoard 将其可视化,它应该可以通过以下方式安装和运行:
pip install tensorboard
tensorboard --logdir=runs
一项实验可以记录大量信息。 为了避免 UI 混乱并获得更好的结果聚类,我们可以通过分层命名来对图进行分组。 例如,在 TensorBoard 界面中,“Loss/train”和“Loss/test”将被分组在一起,而“Accuracy/train”和“Accuracy/test”将被单独分组。
from torch.utils.tensorboard import SummaryWriter
import numpy as np
writer = SummaryWriter()
for n_iter in range(100):
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)
预期结果:
CLASS
torch.utils.tensorboard.writer.SummaryWriter(log_dir=None, comment='', purge_step=None, max_queue=10, flush_secs=120, filename_suffix='')
将条目直接写入 log_dir 中的事件文件以供 TensorBoard 使用。
SummaryWriter 类提供了一个高级 API,用于在给定目录中创建事件文件并向其中添加摘要和事件。 该类异步更新文件内容。 这允许训练程序直接从训练循环调用方法将数据添加到文件中,而不会减慢训练速度。
__init__(log_dir=None, comment='', purge_step=None, max_queue=10, flush_secs=120, filename_suffix='')
创建一个将事件和摘要写出到事件文件的 SummaryWriter。
参数:
1、log_dir (string) – 保存目录位置。默认为runs/CURRENT_DATETIME_HOSTNAME,每次运行后都会更改。使用分层文件夹结构轻松比较运行。 例如 为每个新实验传入“runs/exp1”、“runs/exp2”等,以进行比较。
2、comment (string) – 注释 log_dir 后缀附加到默认 log_dir。 如果分配了 log_dir,则此参数无效。
3、purge_step (int) – 当日志记录在步骤 T+X 崩溃并在步骤 T 重新启动时,任何 global_step 大于或等于 T 的事件都将被清除并从 TensorBoard 中隐藏。 请注意,崩溃和恢复的实验应该具有相同的 log_dir。
4、max_queue (int) – 在“add”调用之一强制刷新到磁盘之前,挂起事件和摘要的队列大小。 默认为十项。
5、flush_secs (int) – 将挂起的事件和摘要刷新到磁盘的频率(以秒为单位)。 默认为每两分钟。
6、filename_suffix (string) – 添加到 log_dir 目录中所有事件文件名的后缀。有关 tensorboard.summary.writer.event_file_writer.EventFileWriter 中文件名构造的更多详细信息。
例子:
from torch.utils.tensorboard import SummaryWriter
# create a summary writer with automatically generated folder name.
writer = SummaryWriter()
# folder location: runs/May04_22-14-54_s-MacBook-Pro.local/
# create a summary writer using the specified folder name.
writer = SummaryWriter("my_experiment")
# folder location: my_experiment
# create a summary writer with comment appended.
writer = SummaryWriter(comment="LR_0.1_BATCH_16")
# folder location: runs/May04_22-14-54_s-MacBook-Pro.localLR_0.1_BATCH_16/
add_scalar(tag, scalar_value, global_step=None, walltime=None, new_style=False)
将标量数据添加到汇总中。
参数:
1、tag (string) – 数据标识符
2、scalar_value (float or string/blobname) – 要保存的值
3、global_step (int) – 要记录的全局步长值
4、walltime (float) – 可选覆盖默认的 walltime (time.time()) 与事件纪元后的秒数
5、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
writer = SummaryWriter()
x = range(100)
for i in x:
writer.add_scalar('y=2x', i * 2, i)
writer.close()
预期结果:
add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)
将许多标量数据添加到摘要中。
参数:
1、main_tag (string) – 标签的父名称
2、tag_scalar_dict (dict) – 存储标签和对应值的键值对
3、global_step (int) – 要记录的全局步长值
4、walltime (float) – 可选覆盖默认 walltime (time.time()) 事件纪元后的秒数
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()
# This call adds three values to the same scalar plot with the tag
# 'run_14h' in TensorBoard's scalar section.
预期结果:
add_histogram(tag, values, global_step=None, bins='tensorflow', walltime=None, max_bins=None)
将直方图添加到摘要中。
参数:
1、tag (string) – 数据标识符
2、values (torch.Tensor, numpy.array, or string/blobname) – 建立直方图的值
3、global_step (int) – 要记录的全局步长值
4、bins (string) – {'tensorflow','auto', 'fd', ...} 之一。 这决定了垃圾箱的制作方式。 您可以在以下位置找到其他选项:https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html
5、walltime (float) – 可选覆盖默认 walltime (time.time()) 事件纪元后的秒数
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()
预期结果:
add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')
将图像数据添加到摘要中。
请注意,这需要pillow包。
参数:
1、tag (string) – 数据标识符
2、img_tensor (torch.Tensor, numpy.array, or string/blobname) – 图像数据
3、global_step (int) – 要记录的全局步长值
4、walltime (float) – 可选覆盖默认 walltime (time.time()) 事件纪元后的秒数
形状:
img_tensor:默认为(3,H,W)。您可以使用 torchvision.utils.make_grid() 将一批张量转换为 3xHxW 格式或调用 add_images 并让我们完成这项工作。 只要传递相应的数据格式参数,带有 (1, H, W), (H,W), (H, W, 3) 的张量也适用,例如 CHW,HWC,HW。
例子:
from torch.utils.tensorboard import SummaryWriter
import numpy as np
img = np.zeros((3, 100, 100))
img[0] = np.arange(0, 10000).reshape(100, 100) / 10000
img[1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000
img_HWC = np.zeros((100, 100, 3))
img_HWC[:, :, 0] = np.arange(0, 10000).reshape(100, 100) / 10000
img_HWC[:, :, 1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000
writer = SummaryWriter()
writer.add_image('my_image', img, 0)
# If you have non-default dimension setting, set the dataformats argument.
writer.add_image('my_image_HWC', img_HWC, 0, dataformats='HWC')
writer.close()
预期结果:
add_images(tag, img_tensor, global_step=None, walltime=None, dataformats='NCHW')
将批量图像数据添加到摘要中。
请注意,这需要pillow包。
参数:
1、tag (string) – 数据标识符
2、img_tensor (torch.Tensor, numpy.array, or string/blobname) – 图像数据
3、global_step (int) – 要记录的全局步长值
4、walltime (float) – 可选覆盖默认 walltime (time.time()) 事件纪元后的秒数
5、dataformats (string) – NCHW、NHWC、CHW、HWC、HW、WH 等形式的图像数据格式规范。
形状:
img_tensor:默认为 (N, 3, H, W)。 如果指定了数据格式,将接受其他形状。 例如 NCHW 或 NHWC。
例子:
from torch.utils.tensorboard import SummaryWriter
import numpy as np
img_batch = np.zeros((16, 3, 100, 100))
for i in range(16):
img_batch[i, 0] = np.arange(0, 10000).reshape(100, 100) / 10000 / 16 * i
img_batch[i, 1] = (1 - np.arange(0, 10000).reshape(100, 100) / 10000) / 16 * i
writer = SummaryWriter()
writer.add_images('my_image_batch', img_batch, 0)
writer.close()
预期结果: