tensorboard可视化

因为在做实验的时候,需要记录数据,为了方便记录数据,可以使用tensorboard在运行的过程中就将实验结果记录其中,以对比那次实验的结果是最好的.
tensorboard常用的功能有,保存模型网络结构,保存训练集的损失,下面就介绍tensorboard的几个常用的功能.

1.tensorboard面板介绍

这个面板图源自:https://blog.csdn.net/Zhangsan0219/article/details/121763073
我是参考这个作者重新写了一遍笔记,便于自己记录.

2.画折现统计图

• 将多张图分开画

# -*- coding： utf-8 -*-
# @Author ：WenShuai Xiao
# @Time：2022-05-30
# @File：Tensorboard_line.py
import os.path

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

if __name__=='__main__':
    print('测试开始')
    '''
    画线
    启动命令 tensorboard --logdir=logs
    指定端口 tensorboard --logdir=logs --port=6007
    '''

    # 创建编辑器,保存日志
    # log_dir保存路径
    logs_path=os.path.join("./logs","trian")
    if not os.path.exists(logs_path):
        print('路径不存在')
        os.makedirs(logs_path)

    writer=SummaryWriter(log_dir=logs_path)

    # 模拟添加每个epoch的loss和Acc
    for n_iter in tqdm(range(100)):
        # writer.add_scalar函数用于添加标量值
        # add_scalar(tags, scalar_value, global_stop)
        # tags: string, 记录对象的标签
        # scalar_valud: float, 记录的数值
        # global_step: int, x轴的数值

        writer.add_scalar('Loss/Train',np.random.random(),n_iter)
        writer.add_scalar('Loss/Test',np.random.random(),n_iter)
        writer.add_scalar('Accuracy/train',np.random.random(),n_iter)
        writer.add_scalar('Accuracy/test',np.random.random(),n_iter)

    writer.close()
    print('测试结束')

运行完之后就会在logs文件下生成记录的文件,然后找到这个路径,在这个路径下面输入cmd->回车,就可以直接进入这个路径下的dos命令

然后输入以下代码,把最后一个链接复制到浏览器就可以看到了结果

# 激活环境
conda activate pytorch
# 使用tensorboard打开路径
tensorboard --dirlogs=logs

• 将多张图画在一起

 # =====================================================
    '''
    writer.add_scalars(main_tag, tag_scalar_dict, global_step=None)
    该函数用于将多个scalar添加到同一个图中
    main_tag: string, 父标签
    tag_scalar_dict: dict, 将多个scalar组合在一起的字典对象,
        该字典的key表示tag, value为记录的scalar值
    global_step: int, 图片的x轴
    '''
    # ====================================================
    for i in tqdm(range(100),desc='多张图画在一起'):
        writer2.add_scalars(
            'run_14h',{
                'xsinx':i*np.sin(i/5),
                'xcosx':i*np.cos(i/5),
                'tanx':np.tan(i/5)
            },i
        )
    writer2.close()

显示结果

后面的直方图,等我需要的时候在继续补充笔记

3.画模型图

# -*- coding： utf-8 -*-
# @Author ：WenShuai Xiao
# @Time：2022-05-30
# @File：Tensorboard_model.py
from torch import ones
from torch.utils.tensorboard import SummaryWriter
from torch.nn import Linear,ReLU,Sequential
import os

if __name__=='__main__':
    logs_path = os.path.join("./logs", "model_graph")
    if not os.path.exists(logs_path):
        print('路径不存在')
        os.makedirs(logs_path)

    writer=SummaryWriter(logs_path)
    # 写一个模型
    model=Sequential(
        Linear(1,10),
        ReLU(),
        Linear(10,1)
    )
    data=ones(10,1)

    '''
    add_graph
    画出模型的结构
    模型双击查看
    '''

    writer.add_graph(model=model,input_to_model=data)
    writer.close()

查看模型图:

4.多模型对比

有的时候需要调参对比实验的结果,可以使用这个方法将每次的实验结果保存到tensorboard中,如果学会了bash语法,直接可以使用bash语法自动传参数,这样就不用自己操作了,只需要耐心的等待实验结果就好了.

# -*- coding： utf-8 -*-
# @Author ：WenShuai Xiao
# @Time：2022-05-30
# @File：Tensorboard_mutil_model.py

import os
import datetime
from torch.utils.tensorboard import  SummaryWriter
if __name__=='__main__':
    # 动态生成时间
    log_dir=os.path.join('logs',datetime.datetime.now().strftime("%Y%m%d_%H%M%S"))
    if not os.path.exists(log_dir):
        os.makedirs(log_dir)

    writer=SummaryWriter(log_dir=log_dir)
    # y=2x
    for i in range(100):
        writer.add_scalar(tag='y=2x',scalar_value=1.5*i,global_step=i)

    writer.close()

查看实验结果: