PyTorch使用TensorboardX进行训练可视化

from tensorboardX import SummaryWriter
writer = SummaryWriter('runs/scalar_example')#使用该路径来保存日志
for i in range(10):
    writer.add_scalar('baseline', i**2, global_step=i)
    writer.add_scalar('baseline augm', 2**i, global_step=i)

想要在浏览器中查看可视化这些数据，只要在命令行中开启 tensorboard 即可：

tensorboard --logdir=

其中的 既可以是单个 run 的路径，如上面 writer生成的 runs/scalar_example；也可以是多个 run 的父目录，如 runs/ 下面可能会有很多的子文件夹，每个文件夹都代表了一次实验，我们令 --logdir=runs/ 就可以在 tensorboard 可视化界面中方便地横向比较 runs/ 下不同次实验所得数据的差异。

add_scalar(tag, scalar_value, global_step=None, walltime=None)

参数

tag (string): 数据名称，不同名称的数据使用不同曲线展示，例如：’quadratic‘
scalar_value (float): 数字常量值，
global_step (int, optional): 训练的 step
walltime (float, optional): 记录发生的时间，默认为 time.time()

这里，我们在一个路径为 runs/scalar_example 的 run 中分别写入了写入了两种数据：二次函数数据 baseline 和指数函数数据 baseline augm

writer = SummaryWriter('runs/another_scalar_example')
for i in range(10):
    writer.add_scalar('baseline', i**3, global_step=i)
    writer.add_scalar('baseline augm', 3**i, global_step=i)
相同名称的量值被放在了同一张图表中展示，方便进行对比观察。