Pytorch數據可視化：TensorboardX安裝及使用（安裝測試+實例演示）

數據可視化：TensorboardX安裝及使用

tensorboard做爲Tensorflow中強大的可視化工具：
https://github.com/tensorflow/tensorboard，已經被普遍使用
html

但針對其餘框架，例如Pytorch，以前一直沒有這麼好的可視化工具可用，好在目前Pytorch也能夠支持Tensorboard了，那就是經過使用tensorboardX，真是Pytorcher的福利！python

Github傳送門：Tensorboard ， TensorboardX

能夠看到 tensorboardX完美支持了tensorboard經常使用的function

git

下面介紹tensorboardX安裝和基本使用方法：github

tensorboardX安裝：

由於tensorboardX是對tensorboard進行了封裝後，開放出來使用，因此必須先安裝tensorboard, 再安裝tensorboardX，
（而若是不須要，能夠不安裝tensorflow，只是有些功能會受限）
web

直接使用pip/conda安裝：chrome

pip install tensorboard
pip install tensorboardX

tensorboardX使用：

安裝好後，剩下的和tensorboard使用方法基本一致，
先跑一遍example中的實例，
json

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

能夠看到example 文件夾有不少實例

運行demo.py:

瀏覽器

python demo.py

demo.py運行後，會在該目錄生成默認的runs文件夾，裏面存儲了Demo程序寫入的log文件（經過pytorch）,這樣就能夠經過tensorboard對這些數據可視化了：markdown

tensorboard --logdir runs

和往常同樣啓動tensorboard，web組件會在localhost搭建一個Port默認爲6006框架

這時候打開瀏覽器（最好用chrome）進入http://localhost:6006/ ，就能夠查看數據，仍是熟悉的操做：

查看scalars:

images：

projector：

distributions:

Histograms：

pr curves:

etc… 具體tensorboard各項功能和使用能夠查看tensorboard官方教程：
https://tensorflow.google.cn/tensorboard/get_started

其中demo.py以下，能夠看到代碼上tensorboardX使用方法和tensorboard基本一致，tensorboardX經過SummaryWriter 類操做log data(也只有這一個類)，而且經過add_xxxx記錄各種data（如圖表、直方圖、圖片，標量等等），（對應tensorflow1.0以後版本改爲了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()

點贊 1
收藏
分享
- 文章舉報

HowieXue 博客專家

發佈了60 篇原創文章 · 獲贊 238 · 訪問量 35萬+

私信關注