torch.utils.tensorboard使用记录

初始化

torch.utils.tensorboard.writer.SummaryWriter(log_dir=None, comment=‘’, purge_step=None, max_queue=10, flush_secs=120, filename_suffix=‘’)

• init(log_dir=None, comment=‘’, purge_step=None, max_queue=10, flush_secs=120, filename_suffix=‘’)
• log_dir（str）–文件保存路径；使用默认进行项目记录时，生成的路径名为runs/CurrentDatetime+HOSRTNAME（当前时间+设备名称），在每次run时都会自动改变。使用分层的文件夹可以较好的记录不同实现，如指定runs/exp1，runs/exp2，这两个目录可以很好的把不同实验分开
• comment（str）–如果没有指定log_dir，其会作为后缀附加到默认路径名后面，如果指定了log_dir，其会失效
• purge_step（int）–TensorBoard在记录数据的时候有可能会崩溃，例如在某一个epoch中，进行到第T + X个step的时候由于各种原因（内存溢出）导致崩溃，那么当服务重启之后，就会从T 个step重新开始将数据写入文件，而中间的X，即purge_step指定的step内的数据都被丢弃
• max_queue（int）–在记录数据的时候，在内存中开的队列的长度，当队列慢了之后就会把数据写入磁盘（文件）中
• flush_secs（int）–以秒为单位的写入磁盘的间隔，默认是120秒，即两分钟
• filename_suffix（str）–添加到log_dir中每个文件的后缀。更多文件名称设置要参考tensorboard.summary.writer.event_file_writer.EventFileWriter类

代码案例：

from torch.utils.tensorboard import SummaryWriter

# create a summary writer with automatically generated folder name.
writer = SummaryWriter()  # 默认方法，不传参数
# folder location: runs/May04_22-14-54_s-MacBook-Pro.local/

# create a summary writer using the specified folder name.
writer = SummaryWriter("my_experiment")  # 相当于把前面说的runs替换为指定的my_experiment
# folder location: my_experiment

# create a summary writer with comment appended.
writer = SummaryWriter(comment="LR_0.1_BATCH_16")
# folder location: runs/May04_22-14-54_s-MacBook-Pro.localLR_0.1_BATCH_16/

SummaryWriter常用的几种功能方法

记录标量/添加标量

add_scalar(tag, scalar_value, global_step=None, walltime=None, new_style=False, double_precision=False)

• tag（str）–用于给数据进行分类的标签，标签中可以包含父级和子级标签。例如给训练的loss以loss/train的tag，而给验证以loss/val的tag，这样的话，最终的效果就是训练的loss和验证的loss都被分到loss这个父级标签下。而train和val则是具体用于区分两个参数的标识符（identifier）。此外，只支持到二级标签
• scalar_value（float or string/blobname）–需要记录或保存的参数值/标量
• global_step（int）–首先，每个epoch中我们都会更新固定的step。因此，在一个数据被加入的时候，有两种step，第一种step是数据被加入时当前epoch已经进行了多少个step，第二种step是数据被加入时候，累计（包括之前的epoch）已经进行了多少个step。而考虑到我们在绘图的时候往往是需要观察所有的step下的数据的变化，因此global_step指的就是当前数据被加入的时候已经计算了多少个step。计算global_step的步骤很简单，就是global_step = epoch ∗ len(dataloader) + current_step
• new_style（boolean）–是使用新样式（张量字段）还是旧样式（simple_value 字段）。新样式可能会导致更快的数据加载

代码案例：

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter()
x = range(100)
for i in x:
    writer.add_scalar('y=2x', i * 2, i)  # 此处的i就时global_step
writer.close()  # 关闭

一次记录多种标签/标量值

add_scalars(main_tag, tag_scalar_dict, global_step=None, walltime=None)

• mian_tag（string）–所有要记录的标签的父名称
• tag_scalar_dict（dict）–多个表情名和对应的值组成的标量字典，key是记录的表明的名称，value是对应标量每个step的值
• global_step（int）–如上述
• walltime（float）–从SummaryWriter实例化开始到当前数据被加入时候所经历时间（以秒计算），默认是使用time.time()来自动计算的，当然我们也可以指定这个参数来进行修改。这个参数一般不改

代码案例：