一、什么是Tensorboard

Tensorboard原本是Google TensorFlow的可视化工具，可以用于记录训练数据、评估数据、网络结构、图像等，并且可以在web上展示，对于观察神经网络的过程非常有帮助。PyTorch也推出了自己的可视化工具，一个是tensorboardX包，一个是torch.utils.tensorboard，二者的使用相差不大，这里介绍后者

二、配置Tensorboard

环境要求

• 操作系统：Windows
• Python3
• PyTorch >= 1.0.0 && torchvision >= 0.2.1 && tensorboard >= 1.12.0 1

安装

注： 虽说PyTorch中直接有tensorboard的包，但是有时用的时候还是会报错，所以安装TensorFlow之后torch.utils.tensorboard就可以直接使用且稳定，所以这里介绍安装TensorFlow的方法。

• pip环境(相对麻烦需要下载依赖项)

pip install tensorflow_gpu=2.5.0 -i https://pypi.mirrors.ustc.edu.cn/simple/
pip install six numpy wheel
pip install keras_applications=1.0.6 --no-deps
pip install keras_preprocessing=1.0.5 --no-deps

• conda环境安装

conda install --channel https://conda.anaconda.org/anaconda tensorflow=2.5.0

三、Tensorboard的使用

首先展示该包的使用的大致流程

1)导入tensorboard，实例化SummaryWriter类，指明记录日记路径等信息
from torch.utils.tensorboard import SummaryWriter
#实例化SummaryWriter，并指明日志存放路径。在当前目录如果每月logs目录将自动创建
#如果不写log_dir，系统将会创建runs目录
writer = SummaryWriter(log_dir = ‘logs’)
#调用实例
writer.add_xxx()
#关闭writer
writer.close()
2）调用相应的API，接口一般格式为：
add_xxx(tag_name, object, iteration-number)
3)启动tensorboard，在命令行中输入
tensorboard --logdir=r’加logs所在路径’
4)复制网址在浏览器中打开

使用各种add方法记录数据

单条曲线(scalar)

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

参数：

• tag ( string ) – 数据标识符
• scalar_value ( float或string/blobname ) – 要保存的值
• global_step ( int ) – 要记录的全局步长值
• walltime ( float ) – 记录训练的时间，默认 walltime (time.time()) 秒
• new_style ( boolean ) – 是使用新样式（张量字段）还是旧样式（simple_value 字段）。新样式可能会导致更快的数据加载。
  例子：

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

writer = SummaryWriter()
for x in range(1, 101) :
    writer.add_scalar('y = 2x', x, 2 * x)
writer.close()

效果

多条曲线(scalars)

add_scalars( main_tag , tag_scalar_dict , global_step = None , walltime = None)

参数

• main_tag ( string ) – 标签的父名称
• tag_scalar_dict ( dict ) – 存储标签和对应值的键值对
• global_step ( int ) – 要记录的全局步长值
• walltime ( float ) – 记录训练的时间，默认 walltime (time.time()) 秒
  例子：

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

writer = SummaryWriter()
r = 5
for x in range(1, 101) :
    writer.add_scalars('run_14h', {'xsinx' : x * np.sin(x / r), 
                                  'xcosx' : x * np.cos(x / r), 
                                  'xtanx' : x * np.tan(x / r)}, x)
writer.close()

效果：

直方图(histogram)

add_histogram( tag , values , global_step = None , bins = ‘tensorflow’ , walltime = None , max_bins = None )

参数：

• tag ( string ) – 数据标识符
• 值（torch.Tensor、numpy.array或string/blobname）– 构建直方图的值
• global_step ( int ) – 要记录的全局步长值
• bins ( string ) – {‘tensorflow’,‘auto’, ‘fd’, …} 之一。这决定了柱的制作方式。
• walltime ( float ) – 记录训练的时间，默认 walltime (time.time()) 秒
  例子：

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

writer = SummaryWriter()
for step in range(10) :
    x = np.random.randn(1000)
    writer.add_histogram('distribution of gaussion', x, step)
writer.close()

效果：

图片(image)

add_image(tag, img_tensor, global_step=None, walltime=None, dataformats = ‘CHW’)

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 ) – 记录训练的时间，默认 walltime (time.time()) 秒
  例子：

from torch.utils.tensorboard import SummaryWriter
import numpy as np
import cv2 as cv
import torch

img = cv.imread('zhou.jpg', cv.IMREAD_COLOR)#输入图像要是3通道的，所以读取彩色图像
img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
img = torch.tensor(img.transpose(2, 0, 1))#cv读取为numpy图像为(H * W * C)，所以要进行轴转换
writer.add_image('zhou_ge', img, 0)

writer.close()

效果：

渲染(figure)

add_figure( tag , figure , global_step = None , close = True , walltime = None )

参数：

• tag ( string ) – 数据标识符
• image( matplotlib.pyplot.figure ) – 图或图列表
• global_step ( int ) – 要记录的全局步长值
• close ( bool ) – 自动关闭图形的标志
• walltime ( float ) – 记录训练的时间，默认 walltime (time.time()) 秒

例子：

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

writer = SummaryWriter()

x = np.linspace(0, 10, 1000)
y = np.sin(x)

figure1 = plt.figure()
plt.plot(x, y, 'r-')
writer.add_figure('my_figure', figure1, 0)
writer.close()

效果:

网络(graph)

add_graph(model, input_to_model=None, verbose=False, use_strict_trace = True)

参数：

• model( torch.nn.Module ) – 要绘制的模型。
• input_to_model ( torch.Tensor or list of torch.Tensor ) – 要输入的变量或变量元组
• verbose(bool）– 是否在控制台中打印图形结构。
• use_strict_trace ( bool ) – 是否将关键字参数严格传递给 torch.jit.trace。当您希望跟踪器记录您的可变容器类型（列表、字典）时传递 False.

例子：

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

writer = SummaryWriter()
class MLP(nn.Module) :
    def __init__(self):
        super(MLP, self).__init__()
        self.Net = nn.Sequential(
            nn.Linear(784, 512),
            nn.ReLU(),

            nn.Linear(512, 128),
            nn.ReLU(),

            nn.Linear(128, 10)
        )
    def forward(self, input):
        input = input.view(-1, 28 * 28)
        return self.Net(input)
model = MLP()
input = torch.FloatTensor(np.random.rand(32, 1, 28, 28))
writer.add_graph(model, input)

writer.close()

效果：

其他

嵌入：

add_embedding(mat, metadata=None, label_img=None, global_step = None, tag=‘default’, metadata_header=None)

参数：

• mat ( torch.Tensor or numpy.array ) – 一个矩阵，每一行都是数据点的特征向量
• metadata ( list ) – 标签列表，每个元素都将转换为字符串
• label_img ( torch.Tensor ) – 图像对应每个数据点
• global_step ( int ) – 要记录的全局步长值
• tag ( string ) – 嵌入的名称

三、结语

以上是关于一些tensorboard可视化的操作，如果您有收获的话，就给👨一个三连。就此谢过！