筆者PyTorch的全部簡單教程請?jiān)L問：http://www.itdecent.cn/nb/48831659
PyTorch教程-8：舉例詳解TensorBoard的使用
TensroBoard 是一個(gè)幫助我們對模型訓(xùn)練、數(shù)據(jù)處理等很有幫助的可視化工具，雖然這些可視化操作都可以通過代碼配合matplotlib這些很好用的繪圖庫來實(shí)現(xiàn)，但是TensorBoard使得它變得更加簡單。
官方的一個(gè)簡單教程：https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html
首先依舊使用最開始的一個(gè)簡單例子：CIFAR10的分類任務(wù)，先引入數(shù)據(jù)、構(gòu)建模型、創(chuàng)建優(yōu)化器、損失函數(shù)等任務(wù)：
import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
loss_function = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
接入TensorBoard
tensorboard包需要在 torch.utils 中引入，首先我們先通過一個(gè) SummaryWriter 實(shí)例來準(zhǔn)備一個(gè)接入TensorBoard的接口：
from torch.utils.tensorboard import SummaryWriter
summaryWriter = SummaryWriter("./runs/")
這里我們設(shè)置了 run 文件夾用來存儲(chǔ)記錄信息的位置。
如果在引入tensorboard時(shí)報(bào)錯(cuò)：No module named 'torch.utils.tensorboard'，那么需要你手動(dòng)安裝tensorboard，比如pip的方式下可以使用：
pip install tensorboard
啟動(dòng)TensorBoard
啟動(dòng)Tensorboard需要在命令行中使用，其中的 logdir 參數(shù)就是我們存放log的文件夾位置：
tensorboard --logdir=runs
TensorFlow installation not found - running with reduced feature set.
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.4.0 at http://localhost:6006/ (Press CTRL+C to quit)
等待TensorBoard啟動(dòng)后，在瀏覽器中訪問 https://localhost:6006 或者 http://127.0.0.1:6006/ 就能打開TensorBoard了，6006是它的默認(rèn)端口。此時(shí)打開后會(huì)發(fā)現(xiàn)它提示沒有任何數(shù)據(jù)，是因?yàn)槲覀冞€沒有向 runs 文件夾下寫入記錄信息的log文件。
向TensorBoard中寫入信息
向TensorBoard中寫入信息很簡單，使用 SummaryWriter 的方法就可以完成，比如我們將第一個(gè)batch的圖片展示到TensorBoard中的例子：
trainloader_iterator = iter(trainloader)
images, labels = trainloader_iterator.next()
# create grid of images
img_grid = torchvision.utils.make_grid(images)
# write to tensorboard
summaryWriter.add_image("A Batch of Image Samples",img_grid)
運(yùn)行后打開/刷新TensorBoard頁面就可以看到新的效果，圖片被顯示了出來（這里Tensor格式的圖片的RGB通道是不對的，要顯示正常的圖片，需要進(jìn)行轉(zhuǎn)換，這里為了展示TensorBoard的效果所以忽略了這一點(diǎn)）
可以看到，使用了 add_image 將一個(gè)圖片寫入到TensorBoard中，SummaryWriter還提供了很多方法，這里列一下，詳細(xì)的參數(shù)說明和例子請參考：
https://pytorch.org/docs/stable/tensorboard.html#torch-utils-tensorboard
-
add_scalar(tag, scalar_value, global_step=None, walltime=None)：添加標(biāo)量數(shù)據(jù) -
add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)：添加多個(gè)標(biāo)量數(shù)據(jù) -
add_histogram(tag, values, global_step=None, bins='tensorflow', walltime=None, max_bins=None)：添加一個(gè)柱狀圖 -
add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')：添加一張圖片 -
add_images(tag, img_tensor, global_step=None, walltime=None, dataformats='NCHW')：添加多個(gè)圖片 -
add_figure(tag, figure, global_step=None, close=True, walltime=None)：渲染一個(gè)matplotlib的圖片然后添加到TensorBoard -
add_video(tag, vid_tensor, global_step=None, fps=4, walltime=None)：添加視頻 -
add_audio(tag, snd_tensor, global_step=None, sample_rate=44100, walltime=None)：添加音頻 -
add_text(tag, text_string, global_step=None, walltime=None)：添加文本 -
add_graph(model, input_to_model=None, verbose=False)：添加圖像 -
add_embedding(mat, metadata=None, label_img=None, global_step=None, tag='default', metadata_header=None)：添加嵌入式投影，一個(gè)很好的例子就是我們可以將高維數(shù)據(jù)映射到三維空間中進(jìn)行直觀地展示和可視化 -
add_pr_curve(tag, labels, predictions, global_step=None, num_thresholds=127, weights=None, walltime=None)：添加PR曲線 -
add_custom_scalars(layout)：添加用戶定義的標(biāo)量 -
add_mesh(tag, vertices, colors=None, faces=None, config_dict=None, global_step=None, walltime=None)：添加3D模型 -
add_hparams(hparam_dict, metric_dict, hparam_domain_discrete=None, run_name=None)：添加一些可以調(diào)節(jié)的超參數(shù)
在TensorBoard中展示網(wǎng)絡(luò)模型
TensorBoard不僅可以可視化數(shù)據(jù)，還可以可視乎模型，使用 add_graph 方法就可以將一個(gè)模型寫入，他接受的第一個(gè)參數(shù)用于傳入一個(gè)模型，第二個(gè)參數(shù)是要喂給這個(gè)模型的數(shù)據(jù)，這里就是一個(gè)batch的圖片：
images, labels = trainloader_iterator.next()
summaryWriter.add_graph(net,images)
使用TensorBoard記錄訓(xùn)練過程
我們在之前的例子中展示過，對于訓(xùn)練過程，我們把訓(xùn)練的loss打印到了控制臺(tái)上，當(dāng)然如果為了能夠更加直觀的展示loss的變化過程，我們可以使用一個(gè)list保存這些loss，等待訓(xùn)練完成后使用matplotlib等工具對其進(jìn)行可視化。TensorBoard提供了更簡單的方式，我們可以直接將loss寫到TensorBoard中，這樣更加的簡單，只要對之前訓(xùn)練的代碼做小小的修改即可：
epochs = 2
# running_loss to record the losses
running_loss = 0.0
for epoch in range(epochs):
for i,data in enumerate(trainloader,0):
# get input images and their labels
inputs, labels = data
# set optimizer buffer to 0
optimizer.zero_grad()
# forwarding
outputs = net(inputs)
# computing loss
loss = loss_function(outputs, labels)
# loss backward
loss.backward()
# update parameters using optimizer
optimizer.step()
# printing some information
running_loss += loss.item()
# for every 1000 mini-batches, print the loss
if i % 1000 == 0:
print("epoch {} - iteration {}: average loss {:.3f}".format(epoch+1, i, running_loss/1000))
summaryWriter.add_scalar("training_loss",running_loss/1000, epoch * len(trainloader) + i)
running_loss = 0.0
print("Training Finished!")
然后在TensorBoard中就可以看到我們的loss的變化結(jié)果，還可以對其進(jìn)行一些其他設(shè)置，比如橫坐標(biāo)的格式、曲線的光滑程度等。
