所需库的安装
很多人问Pytorch要怎么可视化，于是决定搞一篇。
|
1
2
|
tensorboardX==2.0tensorflow==1.13.2 |
由于tensorboard原本是在tensorflow里面用的，所以需要装一个tensorflow。会自带一个tensorboard。
也可以不装tensorboardX，直接使用pytorch当中的自带的Tensorboard。导入方式如下：
|
1
|
from torch.utils.tensorboard import SummaryWriter |
不过由于我使用pytorch当中的自带的Tensorboard的时候有一些bug。所以还是使用tensorboardX来写这篇博客。
常用函数功能
1、SummaryWriter()
这个函数用于创建一个tensorboard文件，其中常用参数有：
log_dir：tensorboard文件的存放路径flush_secs：表示写入tensorboard文件的时间间隔
调用方式如下：
|
1
|
writer = SummaryWriter(log_dir='logs',flush_secs=60) |
2、writer.add_graph()
这个函数用于在tensorboard中创建Graphs，Graphs中存放了网络结构，其中常用参数有：
model：pytorch模型
input_to_model：pytorch模型的输入
如下所示为graphs：
调用方式如下：
|
1
2
3
4
5
|
if Cuda: graph_inputs = torch.from_numpy(np.random.rand(1,3,input_shape[0],input_shape[1])).type(torch.FloatTensor).cuda()else: graph_inputs = torch.from_numpy(np.random.rand(1,3,input_shape[0],input_shape[1])).type(torch.FloatTensor)writer.add_graph(model, (graph_inputs,)) |
3、writer.add_scalar()
这个函数用于在tensorboard中加入loss，其中常用参数有：
- tag：标签，如下图所示的Train_loss
- scalar_value：标签的值
- global_step：标签的x轴坐标
调用方式如下：
|
1
|
writer.add_scalar('Train_loss', loss, (epoch*epoch_size + iteration)) |
4、tensorboard --logdir=
在完成tensorboard文件的生成后，可在命令行调用该文件，tensorboard网址。具体代码如下：
|
1
|
tensorboard --logdir=D:\Study\Collection\Tensorboard-pytorch\logs |
示例代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
|
import torchfrom torch.autograd import Variableimport torch.nn.functional as functionalfrom tensorboardX import SummaryWriterimport matplotlib.pyplot as pltimport numpy as np# x的shape为(100,1)x = torch.from_numpy(np.linspace(-1,1,100).reshape([100,1])).type(torch.FloatTensor)# y的shape为(100,1)y = torch.sin(x) + 0.2*torch.rand(x.size())class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # Applies a linear transformation to the incoming data: :math:y = xA^T + b # 全连接层，公式为y = xA^T + b self.hidden = torch.nn.Linear(n_feature, n_hidden) self.predict = torch.nn.Linear(n_hidden, n_output) def forward(self, x): # 隐含层的输出 hidden_layer = functional.relu(self.hidden(x)) output_layer = self.predict(hidden_layer) return output_layer# 类的建立net = Net(n_feature=1, n_hidden=10, n_output=1)writer = SummaryWriter('logs')graph_inputs = torch.from_numpy(np.random.rand(2,1)).type(torch.FloatTensor)writer.add_graph(net, (graph_inputs,))# torch.optim是优化器模块optimizer = torch.optim.Adam(net.parameters(), lr=1e-3)# 均方差lossloss_func = torch.nn.MSELoss() for t in range(1000): prediction = net(x) loss = loss_func(prediction, y) # 反向传递步骤 # 1、初始化梯度 optimizer.zero_grad() # 2、计算梯度 loss.backward() # 3、进行optimizer优化 optimizer.step() writer.add_scalar('loss',loss, t)writer.close() |
效果如下：
以上就是python神经网络Pytorch中Tensorboard函数使用的详细内容，更多关于Pytorch Tensorboard函数的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/weixin_44791964/article/details/106701052
