在PyTorch中使用tensorboard可视化

深度学习使用过tensorflow的同学可能都使用过tensorboard，tensorflow这么火有一方面是因为tensorboard这一高级的可视化的工具，目前除了tensorflow之外还没有哪个深度学习库开发出了一套完美的可视化工具，如果不使用tensorboard，你想可视化训练流程，那么你只能自己保存变量，自己画曲线，用起来还是很不方便的。

有很多使用别的深度学习框架的人在研究如何将tensorboard可视化移植到他们所使用的框架中来，也有很多成功的例子，接下来我们分析一下目前流行的几种方法。

1.使用Crayon实现tensorboard可视化

Crayon是一个支持任何语言使用tensorboard的框架，它的说明文档访问下面的网址，目前他只支持Python和Lua，而且安装过程比较麻烦，需要docker，不推荐使用此方法。

2.使用tensorboard_logger实现tensorboard可视化

tensorboard_logger是由TeamHG-Memex开发的使用tensorboard的库，可以访问文档界面，安装也略微有点繁琐，需要安装tensorflow和他们开发的tensorboard_logger，安装完成之后按照文档的使用说明就可以使用tensorboard了。

3.导入一个脚本实现tensorboard可视化

这个办法是我认为最简单的办法，也是我目前使用的办法，只需要安装cpu版的tensorflow，通过pip install tensorflow就能够很快安装上，然后只需要复制这个网址里面的代码到你的项目文件目录，新建一个logger.py的文件，将代码复制进去就ok了。

然后在你的python文件里面输入from logger import Logger，然后在训练之前定义好想存放tensorboard文件的文件夹，logger = Logger('./logs')这里可以使用任何文件夹存放tensorboard文件。

扫描二维码关注公众号，回复： 3191960 查看本文章

然后在训练过程中可以通过下面的方式记录想要记录的变量

# (1) Log the scalar values
info = {
    'loss': loss.data[0],
    'accuracy': accuracy.data[0]
}

for tag, value in info.items():
    logger.scalar_summary(tag, value, step)

# (2) Log values and gradients of the parameters (histogram)
for tag, value in model.named_parameters():
    tag = tag.replace('.', '/')
    logger.histo_summary(tag, to_np(value), step)
    logger.histo_summary(tag+'/grad', to_np(value.grad), step)

# (3) Log the images
info = {
    'images': to_np(img.view(-1, 28, 28)[:10])
}

for tag, images in info.items():
    logger.image_summary(tag, images, step)

这样我们就将我们需要的变量放入tensorborad中，然后我们在当前目录下输入tensorbard --logdir='./logs'，这里需要输入自己的文件夹名称，我的文件夹之前定义为了logs，然后你就能看到如下界面：

tensorboard

在浏览器中输入http://0.0.0.0:6006/，你就能够进到tensorboard界面，如下图所示：

pytorch使用tensorboard可视化

这样就能够成功地在PyTorch中使用tensorboard可视化，大家学习起来也更加直观简便了。

原创文章，转载请注明：在PyTorch中使用tensorboard可视化 - pytorch中文网
原文出处： https://ptorch.com/news/18.html

在PyTorch中使用tensorboard可视化

猜你喜欢