【pytorch训练】tensorboardX安装及使用

转载自： https://blog.51cto.com/u_15671528/5604886
仅作学习记录

一、介绍

tensorboard做为Tensorflow中强大的可视化工具，已经被普遍使用。

但针对其余框架，例如Pytorch，以前一直没有这么好的可视化工具可用，PyTorch框架自己的可视化工具是Visdom，但是这个API需要设置的参数过于复杂，而且功能不太方便也不强大，所以有人写了一个库函数TensorboardX来让PyTorch也可以使用tensorboard。

二、安装

由于tensorboardX是对tensorboard进行了封装后，开放出来使用，因此必须先安装tensorboard, 再安装tensorboardX，
（tensorflow可装可不装，只是有些功能会受限，不影响主体功能使用）

pip install tensorboard
pip install tensorboardX

三、使用

1. 标量可视化

使用MNIST作为基本代码，然后在其中增加可视化的功能。

先导入库函数

# 导入可视化模块
from tensorboardX import SummaryWriter
writer = SummaryWriter('../result_tensorboard')

这里面的writer就是我们要记录的一个写入tensorboard的一个接口。这个​​…/result_tensorboard​​就是数据保存的具体位置。

for batch_idx, (data, target) in enumerate(train_loader):
        #...省略一些代码...
        if (batch_idx + 1) % 50 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, (batch_idx + 1) * len(data), len(train_loader.dataset),
                       100. * (batch_idx + 1) / len(train_loader), loss.item()))
            writer.add_scalar('loss',loss.item(),tensorboard_ind)
            tensorboard_ind += 1

关键就是​​writer.add_scalar()​​,其中有三个关键的参数：

​​def add_scalar(self, tag, scalar_value, global_step):​​

• tag就是一个字符串吧，在上面的代码中，我是每50个batch记录一次loss的值，所以这个tag就是’loss’:
• scalar_value就是这一次记录的标量了，上面记录的就是​​loss.item()​​。这个loss的变化应该会输出一个折线图的吧，这个scalar_value就是y轴的值；
• global_step其实就是折线图的x轴的值，所以我每记录一个点就把​​tensorboard_ind​​加一。

运行上面的代码，会生成这样的一个文件：

这个​​events.out.巴拉巴拉​​这个文件就是代码中保存的标量，我们需要在控制台启动tensorboard来可视化：

tensorboard --logdir==D:\Kaggle\result_tensorboard

若是使用了VPN等网络代理，就是用如下指令：
tensorboard --logdir==D:\Kaggle\result_tensorboard --bind_all

这个–logdir=后面跟上之前writer定义的时候的那个地址，也就是​​…/result_tensorboard​​，然后运行。

运行结果为：

点击上图中的蓝色字体，会弹出一个网页，这个网页就是tensorboald的可视化面板。

2. 权重直方图

增加部分代码，目的是在每一个epoch训练完成之后，记录一次模型每一层的参数直方图。

n_epochs = 5
for epoch in range(n_epochs):
    train(epoch,epoch * len(train_loader))
    # 每一个epoch之后输出网络中每一层的权重值的直方图
    for i, (name, param) in enumerate(model.named_parameters()):
        if 'bn' not in name:
            writer.add_histogram(name, param, epoch)

运行结束之后依然是一个名字很长的数据文件，我们在tensorboard中运行这个文件，展示出直方图变化，上面的代码是记录了一个网络中所有层的权重值直方图，在具体任务中，可以只需要输出某一些层的权重直方图即可。

3.特征图可视化

在代码中的train函数内，增加了这样一段代码：

# 第一个batch记录数据
if batch_idx == 0:
    out1 = model.features1(data[0:1,:,:,:])
    out2 = model.features(out1)
    grid1 = make_grid(out1.view(-1,1,out1.shape[2],out1.shape[3]), nrow=8)
    grid2 = make_grid(out2.view(-1,1,out1.shape[2],out1.shape[3]), nrow=8)
    writer.add_image('features1', grid1, global_step=epoch)
    writer.add_image('features', grid2, global_step=epoch)

就是让第一个batch的第一个样本放到模型中，然后把卷积输出的特征图输出成out1和out2，然后使用​​torchvision.utils.make_grid​​函数把特征图变成网格的形式。然后写道writer里面，标签是’features1’和’features’。

运行tensorboard结果：

在features1中可以比较明显的看到32个‘6’的图片，这个是一个样本的特征图的32个通道的展示，上面的那个feature在检查代码之后，虽然看起来是4个图片，但是其实是64个通道，只是每个特征图都很小所以看起来比较模糊和迷惑。这也是因为MNIST数据集中是28尺寸的输入图片，对于Imagenet的大图片一般都蚕蛹224或者448像素的输入，就会好一些。

总之这是特征图的展示。

4.模型图可视化

这个非常的简单：

model = Net().to(device)
writer.add_graph(model, torch.rand([1,3,28,28]))

这里呢有一个问题，就是自己定义的模型结构会显示不出来。目前在网上搜索过但是没有比较好的解决方案，所以这里就不作模型的可视化了。对于部分官方提供的模型是可以可视化的，下面展示的是官方可视化的效果：

其实个人感觉，这个模型结构可视化的结果也不是非常的好看。而且对于模型可视化的结果还有其他的办法，所以不用tensorboard也罢。tensorboard来可视化loss，特征图等的功能也足够了。

5.卷积核可视化

# 卷积核的可视化
for idx, (name, m) in enumerate(model.named_modules()):
    if name == 'features1':
        print(m.weight.shape)
        in_channels = m.weight.shape[1]
        out_channels = m.weight.shape[0]
        k_w,k_h = m.weight.shape[3],m.weight.shape[2]
        kernel_all = m.weight.view(-1, 1, k_w, k_h)  # 每个通道的卷积核
        kernel_grid = make_grid(kernel_all,  nrow=in_channels)
        writer.add_image(f'{name}_kernel', kernel_grid, global_step=epoch)

这个个也比较好理解，之前的关于卷积的基础知识，模型的遍历都讲过了，所以这里相信大家都没有什么比较难理解的地方了。

运行结果：