位置: IT常识 - 正文
TensorBoard详解之安装使用和代码介绍(tensorboard作用)
发布时间：2024-01-12推荐整理分享TensorBoard详解之安装使用和代码介绍(tensorboard作用)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:tensorboard smoothing,tensorboard smooth,tensorboard作用,tensorboard smooth,tensor board,tensorboard作用,tensorboard介绍,tensorboard smoothing,内容如对您有帮助，希望把文章链接给更多的朋友！
1.TensorBoard详解TensorBoard是一个可视化的模块，该模块功能强大，可用于深度学习网络模型训练查看模型结构和训练效果（预测结果、网络模型结构图、准确率、loss曲线、学习率、权重分布等），可以帮你更好的了解网络模型，设计TensorBoard调用相关代码，以上结果即可保存，是整合资料、梳理模型的好帮手。
1.1 环境本设备使用的环境为： tensorflow-gpu 2.4.0 pytorch1.8.0 cuda 11.0 cudnn 8.0.5 tensorboard 2.7.0 安装TensorBoard,必须要配一个带GPU的虚拟环境，tensorflow-gpu和pytorch的环境选一个就好，配好环境后，下面介绍安装技巧和步骤。
1.2 安装可以在激活的命令行中安装：conda activate pytorch1.8.0
之后，在命令行中输入：
pip install tensorboard pip install tensorboardX
Tensorboard其实是TensorFlow♂ 的一个附加工具，而TensorboardX 这个工具使得 TensorFlow 外的其他神经网络框架也可以使用到 Tensorboard 的便捷功能，如pytorch；安装的版本不用管，会自动安装最近的版本，本设备pytorch环境安装情况如下：
当然，用一些镜像源可以加速下载，下面给出一些好用的镜像源（清华和豆瓣镜像源比较快）：
https://pypi.tuna.tsinghua.edu.cn/simple https://pypi.douban.com/simple
使用方法在pip安装命令行末尾加（ -i 镜像网址）,pip安装其他模块也适用。
pip install tensorboard -i https://pypi.tuna.tsinghua.edu.cn/simple
编译器自动提醒安装，点击确定安装会在编译器终端自动安装；编译器终端命令行安装，该方式在编译器中选择带GPU的环境后，不虚激活环境，直接pip 输入命令行直接安装，方法同上述1。克隆代码安装GitHub，按照README.md配置并安装，针对GitHub下载部分文件方法以及GitHub加速镜像网站，可参考我的前面博文:GitHub上只下载部分文件的操作教程 GitHub加速网址及使用教程
注意：其实其他模块安装包，这些方法基本都适用。
1.3 展示安装完成后，在该虚拟环境中输入：
pip list
可查看是否安装成功，该展示为本设备tensorflow2虚拟环境的安装情况：
并且下次打开VS code编译器，有“是否使用TensorBoard模块功能”的提示，我们点击“是”，就可以开启TensorBoard的使用，在网络训练结束后将自动生成runs文件夹,里面有后面使用的event file。
1.4说明打开event file的方法也可以在该文本文件夹下，按住shift键，并点击右键，鼠标点击“在此处打开powershell窗口(S)”,并输入：
tensorboard --logdir runs
该runs文件夹是TensorBoard调用代码生成的，你也可以在代码中修改为生成logs文件夹等； 点击enter键之后，可以获得TensorBoard可视化结果网址：
http://localhost:6006/
结果如下图：
2.使用2.1步骤如下面两张图所示，3个黄色框分别对应三个操作步骤：
获得代码子文件夹名称为runs里面events.开头的文本文件(event file)，一般在runs的子文件下点开可以看到；在编译器（VS Code、Pycharm）在底部终端输入：tensorboard --logdir runs复制生成的网址，在浏览器打开。http://localhost:6006/
最后生成TensorBoard可视化界面。
生成event file文本的方法：
训练网络自动生成，针对该无法成功的，应该是启动编辑器时没有选用提示显示的使用tensorboard模块，那我们还有下面两种方法，方法3亲测可用；添加py代码文件保存：import numpy as npfrom torch.utils.tensorboard import SummaryWriterwriter = SummaryWriter(comment='tensorboard_test')for x in range(50): writer.add_scalar('y=2x', x * 2, x) writer.add_scalar('y=pow(2, x)', 2 ** x, x) writer.add_scalars('data/scalar_group', {"xsinx": x * np.sin(x), "xcosx": x * np.cos(x), "arctanx": np.arctan(x)}, x)writer.close()自行在tensorboard界面下载,2.2常用镜像网址清华：https://pypi.tuna.tsinghua.edu.cn/simple 阿里云：http://mirrors.aliyun.com/pypi/simple/ 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 华中理工大学：http://pypi.hustunique.com/ 山东理工大学：http://pypi.sdutlinux.org/ 豆瓣：http://pypi.douban.com/simple/
3.代码讲解下面介绍该模块的常用函数和示例代码：
3.1 函数介绍tensorboard --logdir=路径 该方式为tensorboard文件的生成之后，在命令行调用该文件，获得tensorboard网址（前面已介绍）tensorboard --logdir=G:\wuzhihua\yolo3-pytorch-master\runs
SummaryWriter() 该函数为创建一个tensorboard文件，调用方式为：writer = SummaryWriter(log_dir=‘runs’,flush_secs=30)
writer.add_graph() 该函数为创建Graphs，Graphs中存放了网络结构， if Cuda: 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,))3.2 示例代码最后，提供用TensorBoard创建Graph和简单模式并可视化输出显示代码示例:
import torchfrom torch.autograd import Variableimport torch.nn.functional as functionalfrom tensorboardX import SummaryWriterimport matplotlib.pyplot as pltimport numpy as np# x的shape大小x = torch.from_numpy(np.linspace(-1, 1, 50).reshape([50, 1])).type(torch.FloatTensor)# y的shape大小y = torch.sin(x) + 0.2 * torch.rand(x.size())class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # Applies a linear transformation to the incoming data: :math:y = xA^T + b # 全连接层，公式为y = xA^T + b self.hidden = torch.nn.Linear(n_feature, n_hidden) self.predict = torch.nn.Linear(n_hidden, n_output) def forward(self, x): # 隐含层的输出 hidden_layer = functional.relu(self.hidden(x)) output_layer = self.predict(hidden_layer) return output_layer# 类的建立net = Net(n_feature=1, n_hidden=10, n_output=1)writer = SummaryWriter('runs')graph_inputs = torch.from_numpy(np.random.rand(2, 1)).type(torch.FloatTensor)writer.add_graph(net, (graph_inputs,))# torch.optim是优化器模块optimizer = torch.optim.Adam(net.parameters(), lr=1e-3)# 均方差lossloss_func = torch.nn.MSELoss()for t in range(2000): prediction = net(x) loss = loss_func(prediction, y) # 反向传递步骤 # 1、初始化梯度 optimizer.zero_grad() # 2、计算梯度 loss.backward() # 3、进行optimizer优化 optimizer.step() writer.add_scalar('loss', loss, t)writer.close()结果展示： 注意：界面里面还能修改画图曲线的颜色，要保存结果修改相关代码即可。
TensorBoard`的介绍到此结束，要去PyTorch♀官方查看使用源码的小伙伴可以从以下进入学习：
https://pytorch.org/ https://pytorch.org/tutorials/recipes/recipes/tensorboard_with_pytorch.html?highlight=tensorboard
参考博主： https://blog.csdn.net/weixin_44791964/article/details/106701052 参考园主： https://www.cnblogs.com/coderpeng/p/14180579.html
本文作者：会飞的渔WZH 本文链接：https://blog.csdn.net/wuzhihuaw/article/details/121357355 版权
上一篇：深度学习实战10-数学公式识别-将图片转换为Latex(img2Latex)
下一篇：vue运行报错Error: Cannot find module ‘@vue/cli-plugin-babel‘(vue运行报错怎么解决)
