小小林熬夜学编程

这个屌丝很懒，什么也没留下！

热门标签

数据可视化：TensorboardX安装及使用（安装测试+实例演示）

作者：小小林熬夜学编程 | 2024-05-08 11:43:42

踩

tensorboardx安装

数据可视化：TensorboardX安装及使用

tensorboard作为Tensorflow中强大的可视化工具，已经被广泛使用

但针对其他框架，例如Pytorch，之前一直没有这么好的可视化工具可用，好在目前Pytorch也可以支持Tensorboard了，那就是通过使用tensorboardX，真是Pytorcher的福利！

Github传送门：Tensorboard ， TensorboardX
在这里插入图片描述
可以看到 tensorboardX完美支持了tensorboard常用的function

在这里插入图片描述

下面介绍tensorboardX安装和基本使用方法：

tensorboardX安装：

因为tensorboardX是对tensorboard进行了封装后，开放出来使用，所以必须先安装tensorboard, 再安装tensorboardX，
（而如果不需要，可以不安装tensorflow，只是有些功能会受限）

直接使用pip/conda安装：

pip install tensorboard
pip install tensorboardX

在这里插入图片描述

tensorboardX使用：

安装好后，剩下的和tensorboard使用方法基本一致，
先跑一遍example中的实例，

git clone https://github.com/lanpa/tensorboardX.git

在这里插入图片描述
可以看到example 文件夹有很多实例

运行demo.py:

python demo.py

demo.py运行后，会在该目录生成默认的runs文件夹，里面存储了Demo程序写入的log文件（通过pytorch）,这样就可以通过tensorboard对这些数据可视化了：

在这里插入图片描述

tensorboard --logdir runs

和往常一样启动tensorboard，web组件会在localhost搭建一个Port默认为6006

在这里插入图片描述

这时候打开浏览器（最好用chrome）进入http://localhost:6006/ ，就可以查看数据，还是熟悉的操作：

查看scalars:
在这里插入图片描述
images：

projector：

distributions:

Histograms：

pr curves:

其中demo.py如下，可以看到代码上tensorboardX使用方法和tensorboard基本一致。。。

tensorboardX通过SummaryWriter 类操作log data，并且通过add_xxxx记录各类data（如标量，图表、直方图、图片等等），（对应tensorflow1.0之后版本改成了tensorflow.summary.FileWriter， add_xxxx）

具体tensorboard各项功能和使用可以参考官方教程：
https://tensorflow.google.cn/tensorboard/get_started

tensorboardX API介绍详见：
https://tensorboardx.readthedocs.io/en/latest/tensorboard.html

# demo.py

import torch
import torchvision.utils as vutils
import numpy as np
import torchvision.models as models
from torchvision import datasets
from tensorboardX import SummaryWriter

resnet18 = models.resnet18(False)
writer = SummaryWriter()
sample_rate = 44100
freqs = [262, 294, 330, 349, 392, 440, 440, 440, 440, 440, 440]

for n_iter in range(100):

    dummy_s1 = torch.rand(1)
    dummy_s2 = torch.rand(1)
    # data grouping by `slash`
    writer.add_scalar('data/scalar1', dummy_s1[0], n_iter)
    writer.add_scalar('data/scalar2', dummy_s2[0], n_iter)

    writer.add_scalars('data/scalar_group', {'xsinx': n_iter * np.sin(n_iter),
                                             'xcosx': n_iter * np.cos(n_iter),
                                             'arctanx': np.arctan(n_iter)}, n_iter)

    dummy_img = torch.rand(32, 3, 64, 64)  # output from network
    if n_iter % 10 == 0:
        x = vutils.make_grid(dummy_img, normalize=True, scale_each=True)
        writer.add_image('Image', x, n_iter)

        dummy_audio = torch.zeros(sample_rate * 2)
        for i in range(x.size(0)):
            # amplitude of sound should in [-1, 1]
            dummy_audio[i] = np.cos(freqs[n_iter // 10] * np.pi * float(i) / float(sample_rate))
        writer.add_audio('myAudio', dummy_audio, n_iter, sample_rate=sample_rate)

        writer.add_text('Text', 'text logged at step:' + str(n_iter), n_iter)

        for name, param in resnet18.named_parameters():
            writer.add_histogram(name, param.clone().cpu().data.numpy(), n_iter)

        # needs tensorboard 0.4RC or later
        writer.add_pr_curve('xoxo', np.random.randint(2, size=100), np.random.rand(100), n_iter)

dataset = datasets.MNIST('mnist', train=False, download=True)
images = dataset.test_data[:100].float()
label = dataset.test_labels[:100]

features = images.view(100, 784)
writer.add_embedding(features, metadata=label, label_img=images.unsqueeze(1))

# export scalar data to JSON for external processing
writer.export_scalars_to_json("./all_scalars.json")
writer.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55

在这里插入图片描述

博主热门文章推荐：

一篇读懂系列：

LoRa Mesh系列：

网络安全系列：

嵌入式开发系列：

AI / 机器学习系列：

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小小林熬夜学编程/article/detail/554400