Pytorch使用tensorboardX可视化。超详细！！！

墨蓝 2023-06-05 05:26 1阅读 0赞

# tensorboard --logdir runs 改为 tensorboard --logdir=D:\\model\\tensorboard\\runs #

重点

在网上看了很多方法后发现将原本链接中的计算机名改为localhost，即http://localhost:6006/后能成功解决该问题，显示结果

# 1 引言 #

我们都知道tensorflow框架可以使用tensorboard这一高级的可视化的工具，为了使用tensorboard这一套完美的可视化工具，未免可以将其应用到Pytorch中，用于Pytorch的可视化。这里特别感谢Github上的解决方案： [https://github.com/lanpa/tensorboardX][https_github.com_lanpa_tensorboardX]。

本文主要是针对该解决方案提供一些介绍。

TensorboardX支持scalar, image, figure, histogram, audio, text, graph, onnx\_graph, embedding, pr\_curve and videosummaries等不同的可视化展示方式，具体介绍移步至项目Github 观看详情。

--------------------

# 2 环境安装 #

本教程代码环境依赖：

python 3.6+

Pytorch 0.4.0+

tensorboardX:   pip install tensorboardX、pip install tensorflow

--------------------

# 3 代码教程 #

TensorboardX可以提供中很多的可视化方式，本文主要介绍scalar 和 graph，其他类型相似。

## 3.1 scalar教程 ##

![webp][]

01\_scalar\_base.py 代码

对上述代码进行解释，首先导入：from tensorboardXimport SummaryWriter，然后定义一个SummaryWriter() 实例。在SummaryWriter()上鼠标ctrl+b我们可以看到SummaryWriter()的参数为：def \_\_init\_\_(self, log\_dir=None, comment='', \*\*kwargs): 其中log\_dir为生成的文件所放的目录，comment为文件名称。默认目录为生成runs文件夹目录。我们运行上述代码：生成结果为：

![webp 1][]

当我们为SummaryWriter(comment='base\_scalar')。生成结果为：

![webp 2][]

当我们为SummaryWriter(log\_dir='scalar') 添加log\_dir参数，可以看到第二条数据的文件名称包括了base\_scalar值。生成结果目录为：

![webp 3][]

接着解释writer.add\_scalar('scalar/test', np.random.rand(), epoch)，这句代码的作用就是，将我们所需要的数据保存在文件里面供可视化使用。 这里是Scalar类型，所以使用writer.add\_scalar()，其他的队形使用对应的函数。第一个参数可以简单理解为保存图的名称，第二个参数是可以理解为Y轴数据，第三个参数可以理解为X轴数据。当Y轴数据不止一个时，可以使用writer.add\_scalars().运行代码之后生成文件之后，我们在runs同级目录下使用命令行：tensorboard --logdir runs. 当SummaryWriter(log\_dir='scalar')的log\_dir的参数值 存在时，将tensorboard --logdir runs 改为 tensorboard --logdir 参数值

![webp 4][]

最后调用writer.close()。

点击链接即可看到我们的最终需要的可视化结果。

![webp 5][]

可视化效果

可以分别点击对应的图片查看详情。可以看到生成的Scalar名称为'scalar/test'与'scalar/test'一致。注：可以使用左下角的文件选择你想显示的某个或者全部图片。

## 3.2 Graph教程 ##

![webp 6][]

02\_graph\_model.py 代码

首先我们定义一个神经网络取名为Net1。然后将其添加到tensorboard可是可视化中。

with SummaryWriter(comment='Net1')as w:

w.add\_graph(model, (dummy\_input,))

我们重点关注最后两句话，其中使用了python的上下文管理，with 语句，可以避免因w.close未写造成的问题。推荐使用此方式。

因为这是一个神经网络架构，所以使用 w.add\_graph(model, (dummy\_input,))，其中第一个参数为需要保存的模型，第二个参数为输入值，元祖类型。打开tensorvboard控制台，可得到如下结果。

![webp 7][]

点击Net1部分可以将其网络展开，查看网络内部构造。

![webp 8][]

模型可视化结果

其他部分可以继续一次展开查看详情。

## 3.3 网络训练综合教程 ##

解释完上述两部分知识之后，我们可以综合运用上述两部分内容，实现线性拟合的训练过程中的loss可视化和模型的保存。

![webp 9][]

![webp 10][]

03\_linear\_regression.py 代码

我们将运行过程中loss和model分别保存，最后打开tensorboard控制台，可以得到模型结果和loss的结果为下图.

![webp 11][]

模型可视化结果

注：不同的graph的可视化可以使用上图Run旁边的下拉框选择。

![webp 12][]

loss可视化结果

## 3.4 Tensorboard综合Demo ##

本Demo代码为TensorboardX提供的官方Demo代码。

![webp 13][]

![webp 14][]

demo.py

最终运行的所有可视化结果为：

![webp 15][]

最终可视化结果

# 4 结束语 #

本文是我写的第一篇比较完整的文章，大家如果觉得帮助到了你，帮忙点个赞呗。

本文所有的代码链接为：[https://github.com/miaoshuyu/pytorch-tensorboardx-visualization][https_github.com_miaoshuyu_pytorch-tensorboardx-visualization]（对你有用的话，麻烦点个小星星呗）

若转载，请标明出处，谢谢！！

![1432127-20190830174528537-496601261.jpg][]

转载于:https://www.cnblogs.com/jfdwd/p/11436321.html

[https_github.com_lanpa_tensorboardX]: https://github.com/lanpa/tensorboardX
[webp]: /images/20230601/dc2ca112b55f40a48adbec937c66f583.png
[webp 1]: /images/20230601/920bc8f1e61f41e4a73ba35c381b4001.png
[webp 2]: /images/20230601/008b161a30c1415e9a5f3acb71a4ddc6.png
[webp 3]: /images/20230601/397ce404fe59477abf11bc2515e7c6c6.png
[webp 4]: /images/20230601/8bc2bced4d8d42cb8126e951e87899fc.png
[webp 5]: /images/20230601/cfed8e22350d422da693291d95a15aee.png
[webp 6]: /images/20230601/d48676bb36ba413e84acb8794bb43573.png
[webp 7]: /images/20230601/6740baf2878547d19b4cf82e55d4e47f.png
[webp 8]: /images/20230601/210896ce17824c399dd63d67dc7c9dfb.png
[webp 9]: /images/20230601/ef2e1592b3e4403baa2209b4c0091871.png
[webp 10]: /images/20230601/84bc6b818688480f9e17630cd3487e32.png
[webp 11]: /images/20230601/5dd8a2e9fcb6401b82bb98b73b0d1b2f.png
[webp 12]: /images/20230601/591c60e5be934510aefd5042d2217bb6.png
[webp 13]: /images/20230601/074713aed0914a51a5d76a36c21841b1.png
[webp 14]: /images/20230601/62f10a105fb94adf8812edd325edf080.png
[webp 15]: /images/20230601/2ac90fab0e2946d1934d070b6d1e53e8.png
[https_github.com_miaoshuyu_pytorch-tensorboardx-visualization]: https://github.com/miaoshuyu/pytorch-tensorboardx-visualization
[1432127-20190830174528537-496601261.jpg]: /images/20230601/72697285d15e417295320dc54712de0b.png