pytorch-Tensorboard使用_tensboard

内容来源：
详解PyTorch项目使用TensorboardX进行训练可视化
TORCH.UTILS.TENSORBOARD
在本地显示远程服务器的TensorboardX结果

1.安装

使用 pip 安装

pip install tensorboardX
1

从源码安装

git clone https://github.com/lanpa/tensorboardX && cd tensorboardX && python setup.py install
1

2.Tensboard使用

2.1.初始化 SummaryWriter

• 使用指定路径保存日志：

summarywriter1 = SummaryWriter(%target_dir)
1

• 无参数，默认将使用路径runs/日期时间来保存日志

summarywriter2 = SummaryWriter()

1
2

• 提供commen参数，使用路径runs/日期时间-comment保存日志文件

summarywriter3 = SummaryWriter(comment='experiment')
1

一般来讲，我们对于每次实验新建一个路径不同的 SummaryWriter，也叫一个 run，如 runs/exp1、runs/exp2。
接下来，我们就可以调用 SummaryWriter 实例的各种add_something方法向日志中写入不同类型的数据了。

2.2.记录数字 (scalar)数据

add_scalar(tag, scalar_value, global_step=None, walltime=None)
1

参数

• tag (string): 数据名称，不同名称的数据使用不同曲线展示
• scalar_value (float): 数字常量值
• global_step (int, optional): 训练的 step
• walltime (float, optional): 记录发生的时间，默认为 time.time()
  PyTorch scalar tensor，需要调用 .item()方法获取其数值。我们一般会使用add_scalar方法来记录训练过程的 loss、accuracy、learning rate 等数值的变化，直观地监控训练过程。

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

writer = SummaryWriter('runs/scalar_example')

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)
1
2
3
4
5
6
7
8
9
10

在一个路径为 runs/scalar_example 的 run 中分别写入了二次函数数据 quadratic 和指数函数数据 exponential，
在另一个路径为 runs/another_scalar_example 的 run 中写入名称相同但参数不同的二次函数和指数函数数据

writer = SummaryWriter('runs/scalar_example')
for i in range(10):
    writer.add_scalar('quadratic', i**2, global_step=i)
    writer.add_scalar('exponential', 2**i, global_step=i)


writer = SummaryWriter('runs/another_scalar_example')
for i in range(10):
    writer.add_scalar('quadratic', i**3, global_step=i)
    writer.add_scalar('exponential', 3**i, global_step=i)

1
2
3
4
5
6
7
8
9
10
11

相同名称的量值被放在了同一张图表中展示，方便进行对比观察。同时，我们还可以在屏幕左侧的 runs 栏选择要查看哪些 run 的数据。

一次性添加多个数字数据可以使用add_scalars

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.
1
2
3
4
5
6
7
8
9
10

2.3.记录图片（image）数据

注意，该方法需要 pillow 库的支持。

add_image(tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')
1

参数

• tag ( string )：数据标识符
• img_tensor ( torch.Tensor , numpy.array , or string/blobname ) ：图像数据
• global_step ( int ) ：要记录的全局步长值
• walltime ( float ) ：可选覆盖默认 walltime (time.time()) 事件纪元后的秒数

形状
默认为 (3,H,W)，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。 (1, H, W)，(H,W), (H,W,3) 的张量也适用，只要dataformats传递相应的参数，例如CHW, HWC, HW.

from tensorboardX import SummaryWriter
import cv2 as cv

writer = SummaryWriter('runs/image_example')
for i in range(1, 6):
    writer.add_image('countdown',
                     cv.cvtColor(cv.imread('{}.jpg'.format(i)), cv.COLOR_BGR2RGB),
                     global_step=i,
                     dataformats='HWC')

1
2
3
4
5
6
7
8
9
10

使用 opencv 读入图片，opencv 读入的图片通道排列是 BGR，因此需要先转成 RGB 以保证颜色正确，并且 dataformats 设为 ‘HWC’，而非默认的 ‘CHW’。调用这个方法一定要保证数据的格式正确，像 PyTorch Tensor 的格式就是默认的 ‘CHW’。效果如下，可以拖动滑动条来查看不同 global_step 下的图片：

add_image方法只能一次插入一张图片。如果要一次性插入多张图片，有两种方法：

• 使用 torchvision 中的 make_grid方法将多张图片拼合成一张图片后，再调用 add_image 方法。
• 使用 SummaryWriter 的 ```add_images````方法

add_images(tag, img_tensor, global_step=None, walltime=None, dataformats='NCHW')
1

参数

• tag ( string )：数据标识符
• img_tensor ( torch.Tensor , numpy.array , or string/blobname ) ：图像数据
• global_step ( int ) ：要记录的全局步长值
• walltime ( float ) ：可选覆盖默认 walltime (time.time()) 事件纪元后的秒数
• dataformats ( string )：NCHW、NHWC、CHW、HWC、HW、WH 等形式的图像数据格式规范。

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()
1
2
3
4
5
6
7
8
9
10
11

2.4.添加直方图（histogram）数据

add_histogram(tag, values, global_step=None, bins='tensorflow', walltime=None, max_bins=None)
1

参数

• tag (string): 数据名称
• values (torch.Tensor, numpy.array, or string/blobname): 用来构建直方图的数据
• global_step (int, optional): 训练的 step
• bins (string, optional): 取值有 ‘tensorflow’、‘auto’、‘fd’ 等, 该参数决定了分桶的方式，详见这里。
• walltime (float, optional): 记录发生的时间，默认为 time.time()
• max_bins (int, optional): 最大分桶数
  我们可以通过观察数据、训练参数、特征的直方图，了解到它们大致的分布情况，辅助神经网络的训练过程。

from tensorboardX import SummaryWriter
import numpy as np

writer = SummaryWriter('runs/embedding_example')
writer.add_histogram('normal_centered', np.random.normal(0, 1, 1000), global_step=1)
writer.add_histogram('normal_centered', np.random.normal(0, 2, 1000), global_step=50)
writer.add_histogram('normal_centered', np.random.normal(0, 3, 1000), global_step=100)

1
2
3
4
5
6
7
8

我们使用 numpy从不同方差的正态分布中进行采样。打开浏览器可视化界面后，我们会发现多出了"DISTRIBUTIONS"和"HISTOGRAMS"两栏，它们都是用来观察数据分布的。其中在"HISTOGRAMS"中，同一数据不同 step 时候的直方图可以上下错位排布 (OFFSET) 也可重叠排布 (OVERLAY)。上下两图分别为"DISTRIBUTIONS"界面和"HISTOGRAMS"界面。

2.5.添加神经结构图（graph）数据

add_graph(model, input_to_model=None, verbose=False, **kwargs)
1

参数

• model (torch.nn.Module): 待可视化的网络模型
• input_to_model (torch.Tensor or list of torch.Tensor, optional): 待输入神经网络的变量或一组变量

该方法可以可视化神经网络模型

2.6.添加嵌入向量 (embedding)数据

add_embedding(mat, metadata=None, label_img=None, global_step=None, tag='default', metadata_header=None)
1

参数

• mat (torch.Tensor or numpy.array): 一个矩阵，每行代表特征空间的一个数据点
• metadata (list or torch.Tensor or numpy.array, optional): 一个一维列表，mat 中每行数据的 label，大小应和 mat 行数相同
• label_img (torch.Tensor, optional): 一个形如 NxCxHxW 的张量，对应 mat 每一行数据显示出的图像，N 应和 mat 行数相同
• global_step (int, optional): 训练的 step
• tag (string, optional): 数据名称，不同名称的数据将分别展示
  add_embedding是一个很实用的方法，不仅可以将高维特征使用PCA、t-SNE等方法降维至二维平面或三维空间显示，还可观察每一个数据点在降维前的特征空间的K近邻情况。下面例子中我们取 MNIST 训练集中的 100 个数据，将图像展成一维向量直接作为 embedding，使用 TensorboardX 可视化出来

from tensorboardX import SummaryWriter
import torchvision

writer = SummaryWriter('runs/embedding_example')
mnist = torchvision.datasets.MNIST('mnist', download=True)
writer.add_embedding(
    mnist.train_data.reshape((-1, 28 * 28))[:100,:],
    metadata=mnist.train_labels[:100],
    label_img = mnist.train_data[:100,:,:].reshape((-1, 1, 28, 28)).float() / 255,
    global_step=0
)

1
2
3
4
5
6
7
8
9
10
11
12

采用 PCA 降维后在三维空间可视化效果如下：

可以发现，虽然还没有做任何特征提取的工作，但 MNIST 的数据已经呈现出聚类的效果，相同数字之间距离更近一些（有没有想到 KNN 分类器）。我们还可以点击左下方的 T-SNE，用 t-SNE 的方法进行可视化
add_embedding方法需要注意的几点：

• mat 是二维 MxN，metadata 是一维 N，label_img 是四维 NxCxHxW！
• label_img 记得归一化为 0-1 之间的 float 值

3.Tensboard的显示

3.1.直接在普通主机进行操作

• 在Google Chrome下打开日志文件
• 打开Anaconda Prompt，进入环境，然后进入到保存日志文件的盘，输入tensorboard --logdir=你所保存的文件夹名称，它会生成一个网址
• 复制网址到Google Chrome即可打开

3.2.在本地显示服务器的tensorboardX结果的步骤（XShell）

• 使用XShell建立连接，!其中源主机填127.0.0.1(表示本机)，侦听端口可以任意设置一个未被占用的端口号，比如6007；目标主机表示本地服务器，目标端口为6007，即tensorboard设置的被监听的端口。
  
  -连接。在服务器输入命令，如果-port设置为其他端口，上面目标主机的目标端口也应该发生相应的修改。

tensorboard --logdir=log_dir
1

• 服务器端显示：
  
• 复制链接到本地浏览器便可以成功访问tensorboard。
  http://localhost:6007
  浏览器端显示：