python神經(jīng)網(wǎng)絡(luò)Pytorch中Tensorboard函數(shù)使用

第python神經(jīng)網(wǎng)絡(luò)Pytorch中Tensorboard函數(shù)使用目錄所需庫的安裝常用函數(shù)功能1、SummaryWriter()2、writer.add_graph()3、writer.add_scalar()4、tensorboard--logdir=示例代碼

所需庫的安裝

很多人問Pytorch要怎么可視化，于是決定搞一篇。

tensorboardX==2.0

tensorflow==1.13.2

由于tensorboard原本是在tensorflow里面用的，所以需要裝一個tensorflow。會自帶一個tensorboard。

也可以不裝tensorboardX，直接使用pytorch當(dāng)中的自帶的Tensorboard。導(dǎo)入方式如下：

fromtorch.utils.tensorboardimportSummaryWriter

不過由于我使用pytorch當(dāng)中的自帶的Tensorboard的時候有一些bug。所以還是使用tensorboardX來寫這篇博客。

常用函數(shù)功能

1、SummaryWriter()

這個函數(shù)用于創(chuàng)建一個tensorboard文件，其中常用參數(shù)有：

log_dir：tensorboard文件的存放路徑flush_secs：表示寫入tensorboard文件的時間間隔

調(diào)用方式如下：

writer=SummaryWriter(log_dir='logs',flush_secs=60)

2、writer.add_graph()

這個函數(shù)用于在tensorboard中創(chuàng)建Graphs，Graphs中存放了網(wǎng)絡(luò)結(jié)構(gòu)，其中常用參數(shù)有：

model：pytorch模型

input_to_model：pytorch模型的輸入

如下所示為graphs：

調(diào)用方式如下：

ifCuda:

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()

這個函數(shù)用于在tensorboard中加入loss，其中常用參數(shù)有：

tag：標(biāo)簽，如下圖所示的Train_lossscalar_value：標(biāo)簽的值global_step：標(biāo)簽的x軸坐標(biāo)

調(diào)用方式如下：

writer.add_scalar('Train_loss',loss,(epoch*epoch_size+iteration))

4、tensorboard--logdir=

在完成tensorboard文件的生成后，可在命令行調(diào)用該文件，tensorboard網(wǎng)址。具體代碼如下：

tensorboard--logdir=D:\Study\Collection\Tensorboard-pytorch\logs

示例代碼

importtorch

fromtorch.autogradimportVariable

importtorch.nn.functionalasfunctional

fromtensorboardXimportSummaryWriter

importmatplotlib.pyplotasplt

importnumpyasnp

#x的shape為(100,1)

x=torch.from_numpy(np.linspace(-1,1,100).reshape([100,1])).type(torch.FloatTensor)

#y的shape為(100,1)

y=torch.sin(x)+0.2*torch.rand(x.size())

classNet(torch.nn.Module):

def__init__(self,n_feature,n_hidden,n_output):

super(Net,self).__init__()

#Appliesalineartransformationtotheincomingdata::math:y=xA^T+b

#全連接層，公式為y=xA^T+b

self.hidden=torch.nn.Linear(n_feature,n_hidden)

self.predict=torch.nn.Linear(n_hidden,n_output)

defforward(self,x):

#隱含層的輸出

hidden_layer=functional.relu(self.hidden(x))

output_layer=self.predict(hidden_layer)

returnoutput_layer

#類的建立

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是優(yōu)化器模塊

optimizer=torch.optim.Adam(net.parameters(),lr=1e-3)

#均方差loss

loss_func=torch.nn.MSELoss()

fortinrange(1000):

prediction=net(x)

loss=loss_func(prediction,y)

#反向傳遞步驟

#1、初始化梯度

optimizer.zero_grad()

#2、計(jì)算梯度

loss.backward()

#3、進(jìn)行optimizer優(yōu)化

optimizer.step()

w