Tensorboard (1)

最新推荐文章于 2023-05-01 16:11:04 发布

原创最新推荐文章于 2023-05-01 16:11:04 发布 · 207 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

深度学习专栏收录该内容

28 篇文章

订阅专栏

Tensorboard是Tensorflow中的数据可视化工具，用于模型的性能度量和可视化。它可以展示模型结构、跟踪损失和准确性、显示权重直方图以及处理图像、文本和音频数据。通过SummaryWriter保存数据，然后使用tensorboard命令启动服务进行可视化，例如使用add_scalar进行数值变化的可视化，add_image则用于展示图像数据。

部署运行你感兴趣的模型镜像

Tensorboard (1)

机器学习通常涉及在训练期间可视化和度量模型的性能。有许多工具可用于此任务。

一、介绍TensorBoard

参考文章：

https://cloud.tencent.com/developer/article/1955304
https://zhuanlan.zhihu.com/p/103630393

Tensorboard:

TensorBoard 是一组用于数据可视化的工具。它包含在流行的开源机器学习库 Tensorflow 中。TensorBoard 的主要功能包括：

可视化模型的网络架构
跟踪模型指标，如损失和准确性等
检查机器学习工作流程中权重、偏差和其他组件的直方图
显示非表格数据，包括图像、文本和音频
将高维嵌入投影到低维空间

1.本地启动Tensorboard

tensorboard --logdir=<directory_name>   --port=<port_num>
# 打开终端或命令提示符并运行  将 directory_name 标记替换为保存数据的目录。默认是“logs”
# port_num 是访问服务器的端口号，可以指定特定的端口号，避免与其他使用者产生冲突
# 最终的地址是 <程序运行目录>/<directory_name>

Tensorboard使用逻辑：

1.将代码运行中某些你关心的数据保存在一个文件夹中（这一步由SummaryWriter实例对象完成）

2.再读取这个文件夹中的数据，用浏览器显示出来（通过在命令行运行tensorboard完成）

2.代码实例1

# 导入 Tensorboard
from torch.utils.tensorboard import SummaryWriter

if __name__ == '__main__':
	# 实例化对象
    write = SummaryWriter("logs")
        
    # y=2x
    for i in range(1,100):
        write.add_scalar("y=2x",2*i,i)

    write.close()

运行之后，终端输入:

tensorboard --logdir=<logs>   --port=6007

得到结果:

可以通过 add_scalar() 函数将数值变换可视化出来

def add_scalar(self, tag, scalar_value, global_step=None, walltime=None)
    
    Args:
         tag (string): Data identifier （表头--名字）
         scalar_value (float or string/blobname): Value to save  (二维坐标系即 y 轴)
         global_step (int): Global step value to record          (二维坐标系即 x 轴)
         walltime (float): Optional override default walltime (time.time()) with seconds after epoch of event

3.代码实例2

from torch.utils.tensorboard import SummaryWriter
from PIL import Image
import numpy as np



if __name__ == '__main__':
    write = SummaryWriter("logs")

    # 图片路径
    image_path = "/home/zxz/DEEPLEARNING/DEMO/TensorBoard_1/hymenoptera_data/train/ants/0013035.jpg"
    img = Image.open(image_path)
    print(type(img))

    # 将图片转化为  numpy.array 类型
    img_array = np.array(img)
    print(type(img_array))
    print(img_array.shape)

    write.add_image("test",img_array,1,dataformats='HWC')

    write.close()

结果:

可以通过add_image() 可视化模型训练过程中的图像

df add_image(self, tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')
    
   Args:
        tag (string): Data identifier  (表头 )
        img_tensor (torch.Tensor, numpy.array, or string/blobname): Image data  # （图像数据--括号后面是图像数据要求的类型）
        global_step (int): Global step value to record                          # （训练步数: x轴）
        walltime (float): Optional override default walltime (time.time()) seconds after epoch of event
            
   Shape:
        img_tensor: Default is :math:`(3, H, W)`. You can use ``torchvision.utils.make_grid()`` to
        convert a batch of tensor into 3xHxW format or call ``add_images`` and let us do the job.
        Tensor with :math:`(1, H, W)`, :math:`(H, W)`, :math:`(H, W, 3)` is also suitable as long as
        corresponding ``dataformats`` argument is passed, e.g. ``CHW``, ``HWC``, ``HW``. 
       #  输入的 img_tensor 默认尺寸 (形状shape) 为 (3, H, W) ， 3 通道 H为高  W为宽
       #  若输入的 img_tensor 尺寸 (形状shape) 为 (H, W,3) ，H为高  W为宽  3 通道  需要添加参数  dataformats= 'HWC'