pytorch 中使用tensorboard，详解writer.add_embedding函数的作用（一）

首先给出pytorch官方文档对tensorboard的教程

https://pytorch.apachecn.org/docs/1.4/6.html

目录

1 导包 

2 实例化

3 显示图片(writer.add_image)

 4 查看网络结构(writer.add_image)，第一个参数为自定义网络，第二个参数为输入

5 低维映射(writer.add_embedding)

6 查看训练过程中训练情况(writer.add_figure)

 

---

1 导包 

from torch.utils.tensorboard import SummaryWriter

2 实例化

# default `log_dir` is "runs" - we'll be more specific here
writer = SummaryWriter('runs/fashion_mnist_experiment_1')

记住这个目录runs,是相对位置，等下需要进到runs所在目录（如a/runs，就要进入a中）执行

tensorboard --logdir runs

这里的runs与之前的runs是同一个东西，你如果写runss，这里就改成runss，

3 显示图片(writer.add_image)

writer.add_image('four_fashion_mnist_images', img_grid)

第一个参数是名称，第二个参数是要显示的图片（三维tensor,如果是四维小batch tensor会报错，解决方式在图中），小tips:jupyter notebook中使用help函数可以查看函数细节

 4 查看网络结构(writer.add_image)，第一个参数为自定义网络，第二个参数为输入

writer.add_graph(net, images)#把图写入
writer.close()

必须加上close函数，因此建议如下格式

with writer as w:

         w.add_graph(net, images)

会自动调用close函数 

tips:？和help()类似，更好看点

5 低维映射(writer.add_embedding)

writer.add_embedding(features,
                    metadata=class_labels,
                    label_img=images.unsqueeze(1))
writer.close()

说实话这个函数很抽象，看api不太可能看出来他是在做什么，不信看下图

 干脆不看，直接看效果图

截了两个角度，大概看出猫腻了，其实就是在可视化高维数据，三维空间中每一个点都是一个三维tensor，可以通过这个方式观察数据点之间的最近邻关系，这个时候回过头再看参数，加粗部分是说人话系列，根据该例描述其作用

writer.add_embedding(features,
                    metadata=class_labels,
                    label_img=images.unsqueeze(1))

mat (torch.Tensor or numpy.array): 一个矩阵，每行代表特征空间的一个数据点（features:二维tensor，每行代表一张照片的特征，其实就是把一张图片的28*28个像素拉平，一张图片就产生了784个特征）

metadata (list or torch.Tensor or numpy.array, optional): 一个一维列表，mat 中每行数据的 label，大小应和 mat 行数相同（metadata:一维列表，代表每张图片的类别，图中不同颜色代表着不同类别） 

label_img (torch.Tensor, optional): 一个形如 NxCxHxW 的张量，对应 mat 每一行数据显示出的图像，N 应和 mat 行数相同

（首先先说images，是一百张图片，features就是这里的特征，但是因为这里是灰度图，所以是N*H*W,api这么设计是为了RGB彩图考虑的，因此我们需要reshape一下，满足api要求，具体看下面）

global_step (int, optional): 训练的 step

tag (string, optional): 数据名称，不同名称的数据将分别展示

6 查看训练过程中训练情况(writer.add_figure)

 writer.add_figure('predictions vs. actuals',
                            plot_classes_preds(net, inputs, labels),
                            global_step=epoch * len(trainloader) + i)

 参数为标题，测试结果，测试时长，比如再经过训练1000次（step=1000)时，网络的表现如何？可以使用这个方式

困了睡觉，剩下的丢下一篇继续写咯

pytorch 中使用tensorboard，详解writer.add_pr_curve函数的作用（二）