Tensorboard基础

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：

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

SummaryWriter类

Tensorboard在训练模型时很有用，可以看训练过程中loss的变化。之前用于Tensorflow框架，自Pytorch1.1之后，Pytorch也加了这个功能。

SummaryWriter:摘要作家类，“SummaryWriter”类提供了创建事件文件的高级API在给定的目录中添加摘要和事件。该类更新文件内容是异步的。这允许培训计划调用方法直接从训练循环向文件添加数据，而不会减慢速度训练.

SummaryWriter类可以在指定文件夹生成一个事件文件，这个事件文件可以对TensorBoard解析。
在treminal中输入“tensorboard --logdir=事件文件所在文件夹”就可查看到tensorboard提供的web界面。端口6006为默认，可使用“tensorboard --logdir=事件文件所在文件夹 --port=6007”来指定端口

add_scalar()

from torch.utils.tensorboard import SummaryWriter
'''
在当前文件夹下创建logs文件夹，将事件文件存储在logs文件夹下
add_scalar() 的参数，tag=标签名称，scalar_value=x轴名称，global_value=纵轴
'''

writer = SummaryWriter("logs")
# writer.add_image()  #添加image,losses曲线显示的方式
for i in range(100):
    writer.add_scalar(tag="y=x", scalar_value=i,global_step=i)    # 添加标量数据到summary
writer.close()

创建与生成事件后，如何查看其中的信息：

打开termina，[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-UmusRazP-1652755182003)(C:\Users\95660\AppData\Roaming\Typora\typora-user-images\1651911066174.png)]

tensorboard --logdir=logs --port=6006
# logdir：指定文件夹路径，port：指定端口

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cNpScmo9-1652755182006)(C:\Users\95660\AppData\Roaming\Typora\typora-user-images\1651911323557.png)]

从提供的网页中查看

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-mbNhuUKG-1652755182008)(C:\Users\95660\AppData\Roaming\Typora\typora-user-images\1651911373647.png)]

add_image()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qhAPcgHK-1652755182009)(C:\Users\95660\AppData\Roaming\Typora\typora-user-images\1651912413542.png)]

参数中 img_tensor要求数据类型为，torch.tensor, numpy.array

• 利用opencv读取图片，获得numpy型图片数据

import cv2 as c
import numpy as np
filename = "DataSet/hymenoptera_data/train/ants/0013035.jpg"
img = c.imread(filename)
print(type(img))

• 使用numpy直接进行转换

from PIL import Image
import numpy as np
filename = "DataSet/hymenoptera_data/train/ants/0013035.jpg"
img = Image.open(filename)
print(type(img))	# PIL.JpegImagePlugin
img_array = np.array(img)
print(img_array)	#

在函数add_image()中，除了对参数img_tensor有类型要求外，对数据的格式同样有要求，默认为（C，H，W）

当输入的img_terson 数据格式不符合要求时，需要添加参数dataformats，来匹配输入数据的维度，

所以在使用add_image()来添加图片时，需要先搞清楚当前图片的数据形状（img.shape）

add_image(tag= "", img_tensor= ,dataformats=）

from torch.utils.tensorboard import SummaryWriter
import numpy as np
img = np.zeros((3, 100, 100))
img[0] = np.arange(0, 10000).reshape(100, 100) / 10000
img[1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000

img_HWC = np.zeros((100, 100, 3))
img_HWC[:, :, 0] = np.arange(0, 10000).reshape(100, 100) / 10000
img_HWC[:, :, 1] = 1 - np.arange(0, 10000).reshape(100, 100) / 10000

writer = SummaryWriter()
writer.add_image('my_image', img, 0)

# 如果有非默认维度设置，需要设置 dataformats 参数。
writer.add_image('my_image_HWC', img_HWC, 0, dataformats='HWC')
writer.close()

(H,W,C)图片

(H,W,C)【高，宽，通道数】：例子[28,28,3] 28*28像素大小的三通道图片（彩色图片）。

np.ndarray的[h, w, c]格式：数组中第一层元素为图像的每一行像素，第二层元素为每一列像素，最后一层元素为每一个通道的像素值，它将图片中的每一个像素作为描述单元，记录它三个通道的像素值。 Tensor的[c, h, w]格式：数组中第一层元素为图像的三个通道，第二层元素为某个通道上的一行像素，第三层为该通道上某列的像素值，它将图像某个通道的某行像素值作为描述单元

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-91gOyZ6v-1652755182011)(D:\STUDY\神经网络和深度学习\images\ndarry的图片形式.png)]

从PIL到numpy，需要在add_image()中指定shape中每个维度表示的含义

add_image()成功后，web界面会多出IMAGES标签页及添加的图片

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zHE8xyDO-1652755182012)(C:\Users\95660\AppData\Roaming\Typora\typora-user-images\1651919802684.png)]

# 示例
writer = SummaryWriter("logs")
img_path = "DataSet/hymenoptera_data/train/ants/0013035.jpg"
img_PIL = Image.open(img_path)
img_array = np.array(img_PIL)
print(img_array.shape)
writer.add_image(tag="test",img_tensor=img_array,global_step=1,dataformats="HWC")  #添加image,losses曲线显示的方式
'''
global_step=1,为全局步骤为1，随着该参数的数值变化，tag = test的图片组下图片随步骤变化。
更改tag 及更改标签组
通过add_image()方法，实现观察为modul提供的数据或测试阶段的输出结果；不同阶段的显示
'''