前言

在這篇博文中，將向你展示如何自由的在任何Python代碼中使用Tensorboard。

最近身邊的一些朋友們都開始從tensorflow轉(zhuǎn)戰(zhàn)Pytorch等，Tensorflow使用靜態(tài)編譯的計(jì)算圖并在單獨(dú)的運(yùn)行時(shí)環(huán)境中運(yùn)行大部分應(yīng)用程序，與Tensorflow相比，PyTorch允許你完全使用Python創(chuàng)建動(dòng)態(tài)計(jì)算圖，單單動(dòng)態(tài)調(diào)試這一點(diǎn)就欲罷不能（真香警告）。

但是tensorflow的孿生兄弟tensorboard實(shí)在是有點(diǎn)讓人難以舍棄。對(duì)于那些不了解Tensorboard的人來(lái)說(shuō)，它是一個(gè)可視化工具，用于計(jì)算圖形，學(xué)習(xí)進(jìn)度，神經(jīng)網(wǎng)絡(luò)權(quán)重或您可能需要在一個(gè)漂亮的基于Web的環(huán)境中繪制的任何內(nèi)容。 Tensorboard從命令行作為（基于Python）Web服務(wù)器運(yùn)行。它讀取外部代碼生成的.event文件（如Tensorflow或本文中顯示的代碼），并在瀏覽器中顯示它們。事實(shí)上，在任何其他深度學(xué)習(xí)框架中，還沒(méi)有Tensorboard的任何替代方案。

tensorboard類的實(shí)現(xiàn)

Tensorboard提供以下基本功能：

• 可視化Tensorflow圖
• 繪制一個(gè)簡(jiǎn)單的值（如學(xué)習(xí)率）
• 繪制圖像（例如激活圖）
• 繪制直方圖。

第一個(gè)功能在實(shí)現(xiàn)上較為麻煩，但是我們可以很簡(jiǎn)單的實(shí)現(xiàn)后三個(gè)功能。直接上代碼，后文列出詳細(xì)解釋：

import io
import numpy as np
from PIL import Image
import tensorflow as tf
import skimage
import matplotlib
matplotlib.use("TkAgg")
import matplotlib.pyplot as plt

class Tensorboard:
    def __init__(self, logdir):
        self.writer = tf.summary.FileWriter(logdir)

    def close(self):
        self.writer.close()

    def log_scalar(self, tag, value, global_step):
        summary = tf.Summary()
        summary.value.add(tag=tag, simple_value=value)
        self.writer.add_summary(summary, global_step=global_step)
        self.writer.flush()

    def log_histogram(self, tag, values, global_step, bins):
        counts, bin_edges = np.histogram(values, bins=bins)

        hist = tf.HistogramProto()
        hist.min = float(np.min(values))
        hist.max = float(np.max(values))
        hist.num = int(np.prod(values.shape))
        hist.sum = float(np.sum(values))
        hist.sum_squares = float(np.sum(values ** 2))

        bin_edges = bin_edges[1:]

        for edge in bin_edges:
            hist.bucket_limit.append(edge)
        for c in counts:
            hist.bucket.append(c)

        summary = tf.Summary()
        summary.value.add(tag=tag, histo=hist)
        self.writer.add_summary(summary, global_step=global_step)
        self.writer.flush()

    def log_image(self, tag, img, global_step):
        s = io.BytesIO()
        Image.fromarray(img).save(s, format='png')

        img_summary = tf.Summary.Image(encoded_image_string=s.getvalue(),
                                       height=img.shape[0],
                                       width=img.shape[1])

        summary = tf.Summary()
        summary.value.add(tag=tag, image=img_summary)
        self.writer.add_summary(summary, global_step=global_step)
        self.writer.flush()

    def log_plot(self, tag, figure, global_step):
        plot_buf = io.BytesIO()
        figure.savefig(plot_buf, format='png')
        plot_buf.seek(0)
        img = Image.open(plot_buf)
        img_ar = np.array(img)

        img_summary = tf.Summary.Image(encoded_image_string=plot_buf.getvalue(),
                                       height=img_ar.shape[0],
                                       width=img_ar.shape[1])

        summary = tf.Summary()
        summary.value.add(tag=tag, image=img_summary)
        self.writer.add_summary(summary, global_step=global_step)
        self.writer.flush()


if __name__ == '__main__':
    tensorboard = Tensorboard('logs')
    x = np.arange(1, 101)
    y = 20 + 3 * x + np.random.random(100) * 100

    # Log simple values
    for i in range(0, 100):
        tensorboard.log_scalar('value', y[i], i)

    # Log images
    img = Image.open('/mnt/sda1/lvv/84504.jpg')
    img = np.asarray(img, dtype=np.uint8)
    # img = skimage.io.imread('/mnt/sda1/lvv/84504.jpg')
    tensorboard.log_image('example_image', img, 0)

    # Log plots
    fig = plt.figure()
    plt.plot(x, y, 'o')

    tensorboard.log_plot('example_plot', fig, 0)
    plt.close()
    # Log histograms
    rng = np.random.RandomState(10)
    a = np.hstack((rng.normal(size=1000), rng.normal(loc=5, scale=2, size=1000)))
    tensorboard.log_histogram('example_hist', a, 0, 'auto')

    tensorboard.close()

首先，建立一個(gè)tensorboard類，包含四個(gè)重要函數(shù)：log_scalar，log_image，log_plot和log_histogram。 我們將關(guān)注的也是這四個(gè)函數(shù)。 這些函數(shù)可以實(shí)現(xiàn)上文敘述的功能。

在程序的main部分，簡(jiǎn)單的演示了這些函數(shù)的用法。 其余的代碼非常簡(jiǎn)單：Tensorboard類通過(guò)調(diào)用其構(gòu)造函數(shù)來(lái)初始化，其中包含日志目錄的路徑。 構(gòu)造函數(shù)依次初始化FileWriter對(duì)象。 在程序結(jié)束時(shí)，我們必須再次關(guān)閉FileWriter。

log_scalar，log_image，log_plot和log_histogram函數(shù)都將tag和global_step作為參數(shù)。 tag是要繪制的值的任意名稱。 例如，你可以為loss函數(shù)設(shè)置tag ='loss'。 global_step指的是測(cè)量特定值的時(shí)間，例如時(shí)期計(jì)數(shù)或類似值。 此外，log_scalar接受數(shù)值作為其第二個(gè)參數(shù)。 這是log_scalar生成的示例標(biāo)量圖：

plot

log_image是一個(gè)類似的簡(jiǎn)單函數(shù)，它將一個(gè)numpy數(shù)組作為img參數(shù)來(lái)繪制任意圖像（例如下面的例子）：

在這里插入圖片描述

log_histogram稍微復(fù)雜一些：它使用bin的bin數(shù)來(lái)計(jì)算values參數(shù)中給出的值的直方圖。 計(jì)算本身就是numpy。 然后，它被送到Tensorboard：

在這里插入圖片描述

log_plot與log_image非常相似，只是提供的輸入不是image，它的figure參數(shù)需要是一個(gè)matplotlib圖。 使用此函數(shù)，你可以直接在Tensorboard中顯示任意matplotlib figures ：

在這里插入圖片描述

使用tensorboard

當(dāng)程序 運(yùn)行完成后，會(huì)在代碼所在的文件夾下創(chuàng)建一個(gè)文件夾，里面有一個(gè)格式的文件，

在這里插入圖片描述

在瀏覽器中打開tensorboard的正確姿勢(shì)如下：
在當(dāng)前目錄下打開終端，輸入命令：

$tensorboard  --logdir=logs   

如果出現(xiàn)錯(cuò)誤，端口不可用等情況，可以指定port參數(shù)或者h(yuǎn)ost參數(shù)等，參考示例：

$tensorboard --logdir=logs  --host=127.0.01  --port=8008

之后就會(huì)運(yùn)行出現(xiàn)一個(gè)網(wǎng)絡(luò)鏈接，復(fù)制粘貼到（google）瀏覽器中就可以。

注： 本文編譯自 https://becominghuman.ai/logging-in-tensorboard-with-pytorch-or-any-other-library-c549163dee9e 內(nèi)容和代碼有刪改。

原文作者希望通過(guò)這篇博文，幫助其他人在切換到另一個(gè)框架時(shí)可以同樣使用tensorboard，而不受任何限制。 作者的GitLab上也有其他有趣的代碼和項(xiàng)目，感興趣的可以查看以下鏈接：https://gitlab.com/branislav.hollander 其中就包括了作者寫的tensorboard使用代碼，但是原代碼中有一些錯(cuò)誤，運(yùn)行會(huì)出現(xiàn)錯(cuò)誤，筆者參考大佬的代碼做了一些修改，修復(fù)了這些bug，修改后的代碼詳見(jiàn)下述鏈接：https://github.com/LDOUBLEV/Tensorboard