PyTorch中TensorBoard如何使用

PyTorch中TensorBoard如何使用，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

步骤

• 设置TensorBoard。

简单说是设置基本tensorboard运行需要的东西，我这代码中的imshow(img)和matplotlib_imshow(img, one_channel=False)都是显示图片的函数，可以统一替换，我自己测试就没改了！

# helper function to show an image # (used in the `plot_classes_preds` function below) def matplotlib_imshow(img, one_channel=False):     if one_channel:         img = img.mean(dim=0)     img = img / 2 + 0.5     # unnormalize     npimg = img.cpu().numpy()     if one_channel:         plt.imshow(npimg, cmap="Greys")     else:         plt.imshow(np.transpose(npimg, (1, 2, 0)))     # 设置tensorBoard # default `log_dir` is "runs" - we'll be more specific here writer = SummaryWriter('runs/image_classify_tensorboard') # get some random training images dataiter = iter(trainloader) images, labels = dataiter.next() # create grid of images img_grid = torchvision.utils.make_grid(images) # show images # matplotlib_imshow(img_grid, one_channel=True) imshow(img_grid) # write to tensorboard writer.add_image('imag_classify', img_grid) # Tracking model training with TensorBoard # helper functions def images_to_probs(net, images):     '''     Generates predictions and corresponding probabilities from a trained     network and a list of images     '''     output = net(images)     # convert output probabilities to predicted class     _, preds_tensor = torch.max(output, 1)     # preds = np.squeeze(preds_tensor.numpy())     preds = np.squeeze(preds_tensor.cpu().numpy())     return preds, [F.softmax(el, dim=0)[i].item() for i, el in zip(preds, output)] def plot_classes_preds(net, images, labels):     '''     Generates matplotlib Figure using a trained network, along with images     and labels from a batch, that shows the network's top prediction along     with its probability, alongside the actual label, coloring this     information based on whether the prediction was correct or not.     Uses the "images_to_probs" function.     '''     preds, probs = images_to_probs(net, images)     # plot the images in the batch, along with predicted and true labels     fig = plt.figure(figsize=(12, 48))     for idx in np.arange(4):         ax = fig.add_subplot(1, 4, idx+1, xticks=[], yticks=[])         matplotlib_imshow(images[idx], one_channel=True)         ax.set_title("{0}, {1:.1f}%\n(label: {2})".format(             classes[preds[idx]],             probs[idx] * 100.0,             classes[labels[idx]]),                     color=("green" if preds[idx]==labels[idx].item() else "red"))     return fig

• 写入TensorBoard。

这个在训练的每一阶段写入tensorboard

        if i % 2000 == 1999:    # print every 2000 mini-batches             print('[%d, %5d] loss: %.3f' %                   (epoch + 1, i + 1, running_loss / 2000))             # 把数据写入tensorflow             # ...log the running loss             writer.add_scalar('image training loss',                             running_loss / 2000,                             epoch * len(trainloader) + i)             # ...log a Matplotlib Figure showing the model's predictions on a             # random mini-batch             writer.add_figure('predictions vs. actuals',                             plot_classes_preds(net, inputs, labels),                             global_step=epoch * len(trainloader) + i)

• 运行

tensorboard --logdir=runs

• 打开http://localhost:6006/ 即可查看

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注亿速云行业资讯频道，感谢您对亿速云的支持。