一、什么是Tensorboard

Tensorboard原本是Google TensorFlow的可視化工具，可以用于記錄訓練資料、評估資料、網路結構、影像等，并且可以在web上展示，對于觀察神經網路的程序非常有幫助，PyTorch也推出了自己的可視化工具，一個是tensorboardX包，一個是torch.utils.tensorboard，二者的使用相差不大，這里介紹后者

二、配置Tensorboard

環境要求

• 作業系統：Windows
• Python3
• PyTorch >= 1.0.0 && torchvision >= 0.2.1 && tensorboard >= 1.12.0 1

安裝

注： 雖說PyTorch中直接有tensorboard的包，但是有時用的時候還是會報錯，所以安裝TensorFlow之后torch.utils.tensorboard就可以直接使用且穩定，所以這里介紹安裝TensorFlow的方法，

• pip環境(相對麻煩需要下載依賴項)

pip install tensorflow_gpu=2.5.0 -i https://pypi.mirrors.ustc.edu.cn/simple/
pip install six numpy wheel
pip install keras_applications=1.0.6 --no-deps
pip install keras_preprocessing=1.0.5 --no-deps

• conda環境安裝

conda install --channel https://conda.anaconda.org/anaconda tensorflow=2.5.0

三、Tensorboard的使用

首先展示該包的使用的大致流程

1)匯入tensorboard，實體化SummaryWriter類，指明記錄日記路徑等資訊
from torch.utils.tensorboard import SummaryWriter
#實體化SummaryWriter，并指明日志存放路徑，在當前目錄如果每月logs目錄將自動創建
#如果不寫log_dir，系統將會創建runs目錄
writer = SummaryWriter(log_dir = ‘logs’)
#呼叫實體
writer.add_xxx()
#關閉writer
writer.close()
2）呼叫相應的API，介面一般格式為：
add_xxx(tag_name, object, iteration-number)
3)啟動tensorboard，在命令列中輸入
tensorboard --logdir=r’加logs所在路徑’
4)復制網址在瀏覽器中打開

使用各種add方法記錄資料

單條曲線(scalar)

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

引數：

• tag ( string ) – 資料識別符號
• scalar_value ( float或string/blobname ) – 要保存的值
• global_step ( int ) – 要記錄的全域步長值
• walltime ( float ) – 記錄訓練的時間，默認 walltime (time.time()) 秒
• new_style ( boolean ) – 是使用新樣式（張量欄位）還是舊樣式（simple_value 欄位），新樣式可能會導致更快的資料加載，
  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

多條曲線(scalars)

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

引數

• main_tag ( string ) – 標簽的父名稱
• tag_scalar_dict ( dict ) – 存盤標簽和對應值的鍵值對
• global_step ( int ) – 要記錄的全域步長值
• walltime ( float ) – 記錄訓練的時間，默認 walltime (time.time()) 秒
  例子：

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

writer = 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：

直方圖(histogram)

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

引數：

• tag ( string ) – 資料識別符號
• 值（torch.Tensor、numpy.array或string/blobname）– 構建直方圖的值
• global_step ( int ) – 要記錄的全域步長值
• bins ( string ) – {‘tensorflow’,‘auto’, ‘fd’, …} 之一，這決定了柱的制作方式，
• walltime ( float ) – 記錄訓練的時間，默認 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：

圖片(image)

add_image(tag, img_tensor, global_step=None, walltime=None, dataformats = ‘CHW’)

引數：

• tag ( string ) – 資料識別符號
• img_tensor ( torch.Tensor , numpy.array , or string/blobname ) – 影像資料
• global_step ( int ) – 要記錄的全域步長值
• walltime ( float ) – 記錄訓練的時間，默認 walltime (time.time()) 秒
  例子：

from torch.utils.tensorboard import SummaryWriter
import numpy as np
import cv2 as cv
import torch

img = cv.imread('zhou.jpg', cv.IMREAD_COLOR)#輸入影像要是3通道的，所以讀取彩色影像
img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
img = torch.tensor(img.transpose(2, 0, 1))#cv讀取為numpy影像為(H * W * C)，所以要進行軸轉換
writer.add_image('zhou_ge', img, 0)

writer.close()

效果：

渲染(figure)

add_figure( tag , figure , global_step = None , close = True , walltime = None )

引數：

• tag ( string ) – 資料識別符號
• image( matplotlib.pyplot.figure ) – 圖或圖串列
• global_step ( int ) – 要記錄的全域步長值
• close ( bool ) – 自動關閉圖形的標志
• walltime ( float ) – 記錄訓練的時間，默認 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:

網路(graph)

add_graph(model, input_to_model=None, verbose=False, use_strict_trace = True)

引數：

• model( torch.nn.Module ) – 要繪制的模型，
• input_to_model ( torch.Tensor or list of torch.Tensor ) – 要輸入的變數或變數元組
• verbose(bool）– 是否在控制臺中列印圖形結構，
• use_strict_trace ( bool ) – 是否將關鍵字引數嚴格傳遞給 torch.jit.trace，當您希望跟蹤器記錄您的可變容器型別（串列、字典）時傳遞 False.

例子：

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

writer = 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：

其他

嵌入：

add_embedding(mat, metadata=None, label_img=None, global_step = None, tag=‘default’, metadata_header=None)

引數：

• mat ( torch.Tensor or numpy.array ) – 一個矩陣，每一行都是資料點的特征向量
• metadata ( list ) – 標簽串列，每個元素都將轉換為字串
• label_img ( torch.Tensor ) – 影像對應每個資料點
• global_step ( int ) – 要記錄的全域步長值
• tag ( string ) – 嵌入的名稱

三、結語

以上是關于一些tensorboard可視化的操作，如果您有識訓的話，就給👨一個三連，就此謝過！