pytorch数据可视化（tensorboard的安装和使用）

根据《深入浅出pytorch》一书中的实例进行了修改和总结

Tensorboard简介

tensorboard是一个数据可视化工具，能够展示深度学习过程中张量的变化。可视化的内容可以包括：模型训练过程中的损失、张量的分布直方图、训练过程中输出的图片和音频数据等。

Tensorboard安装

pip install tensorboard

【注意：tensorboard版本号要和tensorflow版本匹配，具体的匹配规则不太清楚，以下给出我的版本号】

使用方法

以线性模型的训练为例，以下为完整代码：

from sklearn.datasets import load_boston
from torch.utils.tensorboard import SummaryWriter
import torch
import torch.nn as nn

boston = load_boston()
lm = nn.Linear(13, 1)
criterion = nn.MSELoss()
optim = torch.optim.SGD(lm.parameters(), lr=1e-6)
data = torch.tensor(boston['data'], requires_grad=True, dtype=torch.float32)
target = torch.tensor(boston['target'], dtype=torch.float32)

writer = SummaryWriter()

for step in range(10000):
    predict = lm(data)
    loss = criterion(predict, target)

    writer.add_scalar("loss/train", loss, step)
    if step and step % 1000:
        print("Loss : {:.3f}".format(loss.item()))

    optim.zero_grad()
    loss.backward()
    optim.step()

通过调用SummaryWriter()函数，构造了一个摘要写入器writer，之后就可以添加需要写入摘要的张量信息。比如：上面的代码通过writer.add_scalar()函数添加了训练过程中的损失，除此之外，还可以添加distributions, histograms等，操作跟添加loss信息类似，只是换了个函数，具体可以参考官方文档。

写好以上代码后，可以通过以下三步完成可视化：

1. 运行该代码
   运行成功后，可以看到当前目录下多了一个文件夹runs，其中记录的就是你添加的需要写入摘要的信息。
   如果此处运行失败，可以考虑两个方面的原因：
   (1) tensorboard和tensorflow的版本是否匹配
   (2) 如果出现AttributeError: module ‘tensorflow‘ has no attribute 'io’的问题，则可以尝试通过pip install tensorflow-io安装tensorflow-io，之后再运行程序。

2. 在当前目录下，执行 tensorboard --logdir=runs 命令，即可看到以下页面：
   

3. 打开浏览器，输入http://localhost:6006，可以看到如下界面，展示了训练过程中的loss变化。