Pytorch数据可视化：TensorboardX安装及使用（安装测试+实例演示）

数据可视化：TensorboardX安装及使用

tensorboard做为Tensorflow中强大的可视化工具：
https://github.com/tensorflow/tensorboard，已经被普遍使用
html

但针对其余框架，例如Pytorch，以前一直没有这么好的可视化工具可用，好在目前Pytorch也能够支持Tensorboard了，那就是经过使用tensorboardX，真是Pytorcher的福利！python

Github传送门：Tensorboard ， TensorboardX

能够看到 tensorboardX完美支持了tensorboard经常使用的function

git

下面介绍tensorboardX安装和基本使用方法：github

tensorboardX安装：

由于tensorboardX是对tensorboard进行了封装后，开放出来使用，因此必须先安装tensorboard, 再安装tensorboardX，
（而若是不须要，能够不安装tensorflow，只是有些功能会受限）
web

直接使用pip/conda安装：chrome

pip install tensorboard
pip install tensorboardX

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，
json

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

能够看到example 文件夹有不少实例

运行demo.py:

浏览器

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（经过pytorch）,这样就能够经过tensorboard对这些数据可视化了：markdown

tensorboard --logdir runs

和往常同样启动tensorboard，web组件会在localhost搭建一个Port默认为6006框架

这时候打开浏览器（最好用chrome）进入http://localhost:6006/ ，就能够查看数据，仍是熟悉的操做：

查看scalars:

images：

projector：

distributions:

Histograms：

pr curves:

etc… 具体tensorboard各项功能和使用能够查看tensorboard官方教程：
https://tensorflow.google.cn/tensorboard/get_started

其中demo.py以下，能够看到代码上tensorboardX使用方法和tensorboard基本一致，tensorboardX经过SummaryWriter 类操做log data(也只有这一个类)，而且经过add_xxxx记录各种data（如图表、直方图、图片，标量等等），（对应tensorflow1.0以后版本改为了tensorflow.summary.FileWriter， add_xxxx）

# 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()

点赞 1
收藏
分享
- 文章举报

HowieXue 博客专家

发布了60 篇原创文章 · 获赞 238 · 访问量 35万+

私信关注