Pytorch：Tensorboard简要学习

一、TensorBoard简介

TensorBoard 是Google开发的一个机器学习可视化工具，其主要用于记录机器学习过程用于数据可视化的工具。它包含在流行的开源机器学习库Tensorflow 中。虽然Tensorboard是TensorFlow的一部分，但是可以独立安装，并且服务于Pytorch等其他的框架。Tensorboard的功能可以描述如下：

• 记录损失变化、准确率变化等
• 记录图片变化、语音变化、文本变化等
• 绘制模型

Tensorboard具体能够支持哪些内容可以参考官方文档

Tensorboard界面：

二、TensorBoard的安装与启动

Tensorboard的安装

由于TensorBoard 包含在 TensorFlow 库中，所以可以通过TensorFlow来使用Tensorboard。此外我们也可以单独安装 TensorBoard ，在Terminal使用如下命令（以Pycharm中的venv为例）：

pip install Tensorboard

执行命令后，在Terminal使用如下命令以测试是否安装成功：

tensorboard --help

如果正常输出则说明安装成功。

Tensorboard的启动

（1）在 Jupyter Notebooks 中使用 TensorBoard

在Jupyter Notebooks 中使用 TensorBoard，可以使用以下命令：

%load_ext tensorboard

运行这行代码将加载 TensorBoard并允许可视化。加载扩展后，们现在可以启动 TensorBoard：

%tensorboard --logdir logs

运行结果：（如果是首次打开将不再是这个界面，这里是因为我原来就存了都东西在runs里）

（2）本地启动TensorBoard（以Pycharm的venv为例）

要在Pycharm中（这里我用的是venv）启动 TensorBoard，打开Terminal并运行：

tensorboard --logdir=<directory_name>

directory_name是保存数据的目录，默认是“logs”。

运行此命令后，我们将看到以下提示：

这说明 TensorBoard 已经成功上线。可以使用浏览器打开http://localhost:6006/查看或者直接点击链接查看。

三、TensorBoard的简单使用

下面以Pytorch使用Tensorboard为例来看看Tensorboard的简单使用：

使用的流程可以如下图所示：

首先在可以执行的.py文件中记录可视化数据（tensor、text等），然后讲这些可视化数据保存在硬盘之中（文件格式是Tensorboard可以读取的形式），然后通过终端连接上Tensorboard读取可视化数据，最后可以在Web端可视化结果。

这其中，Pytorch使用Tensorboard主要用到了三个API：

• SummaryWriter：这个用来创建一个log文件，TensorBoard面板查看时，也是需要选择查看那个log文件。
• add_something： 向log文件里面增添数据。例如通过add_scalar增添折线图数据，add_image可以增添图片。具体有哪些还得参考官方文档
• close：当训练结束后，通过close方法结束写入。

下面对主要的调用做一个介绍：

3.1 SummaryWriter()

功能：提供创建event file的高级窗口

属性	作用
log_dir	指定输出文件夹
comment	不指定log_dir时，文件夹后缀
filename_suffix	event file文件名后缀

即在不指定log_dir 时，runs文件夹的子文件夹名后缀为comment的参数。

测试代码：

import numpy as np
import matplotlib.pyplot as plt
import torch
import random
from torch.utils.tensorboard import SummaryWriter

def set_seed(seed=1):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    
set_seed(1)  # 设置随机种子

# ----------------------------------- 0 SummaryWriter -----------------------------------


log_dir = "./train_log/test_log_dir" # 路径，"./"表示当前文件夹
# writer = SummaryWriter(log_dir=log_dir, comment='_scalars', filename_suffix="12345678")
writer = SummaryWriter(comment='_scalars', filename_suffix="12345678")

for x in range(100):
    writer.add_scalar('y=pow_2_x', 2 ** x, x)

writer.close()

3.2 add_scalar()和add_scalars()

add_scalar():

功能：记录标量

属性	作用
tag	图像的标签名，图的唯一标识
scalar_value	要记录的标量，相当于y轴
global_step	要记录的标量，相当于x轴

add_scalasr():

功能：记录多个标量

属性	作用
tag	图像的标签名，图的唯一标识
main_tag	该图的标签
tag_scalar_dict	key是变量的tag，value是变量的值

测试代码：

import numpy as np
import matplotlib.pyplot as plt
import torch
import random
from torch.utils.tensorboard import SummaryWriter

def set_seed(seed=1):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    
set_seed(1)  # 设置随机种子

# ----------------------------------- 1 scalar and scalars -----------------------------------
max_epoch = 100

writer = SummaryWriter(comment='test_comment', filename_suffix="test_suffix")

for x in range(max_epoch):

    writer.add_scalar('y=2x', x * 2, x)
    writer.add_scalar('y=pow_2_x', 2 ** x, x)

    writer.add_scalars('data/scalar_group', {"xsinx": x * np.sin(x),
                                             "xcosx": x * np.cos(x)}, x)

writer.close()

运行结果：

3.3 add_histogram()

功能：
统计直方图与多分位数折线图

属性	作用
tag	图像的标签名，图的唯一标识
values	要统计的参数
global_step：y轴
bins	取直方图的bins

blog.csdnimg.cn/direct/7b0fc8f1b99e43008c39b0314fbf915c.png)

测试代码：

import numpy as np
import matplotlib.pyplot as plt
import torch
import random
from torch.utils.tensorboard import SummaryWriter

def set_seed(seed=1):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    
set_seed(1)  # 设置随机种子

# ----------------------------------- 2 histogram ----------------------------------

writer = SummaryWriter(comment='test_comment', filename_suffix="test_suffix")

for x in range(2):

    np.random.seed(x)

    data_union = np.arange(100)
    data_normal = np.random.normal(size=1000)

    writer.add_histogram('distribution union', data_union, x)
    writer.add_histogram('distribution normal', data_normal, x)

    plt.subplot(121).hist(data_union, label="union")
    plt.subplot(122).hist(data_normal, label="normal")
    plt.legend()
    plt.show()

writer.close()

运行结果：

3.4 模型指标监控

此外，Tensorboard还可以实现对神经网络模型的相关参数的监控，仍然以人民币二分类模型为例，Tensorboard可视化结果如下：

四、总结

本文简要介绍了 TensorBoard，介绍了TensorBoard的安装和启动（当然并不能够应付全部情况）以及几个简单函数的使用，借助这些功能，可以能够查看和调试我们训练的模型的内部工作，并最终提高它们的性能。

参考博客

Pytorch教程
TensorBoard快速入门