PyTorch中使用TensorBoard的踩坑记录

1.功能介绍：

TensorBoard是tf中的可视化工具，现在在pytorch中也能很方便的使用；它可以记录我们在深度学习过程中的信息。

这里将介绍——

writer.add_graph(模型结构图可视化)、writer.add_scalar(指标（单变量）可视化)

要先创建writer实例哈

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter(保存路径)

---

2.writer.add_scalar注意事项

问题描述：

这个工具的逻辑就是把中间量写入我们的log里面，很好理解，但是运用的时候出现了很多错误，比如：

1.使用writer.add_scalar在logdir中生成了相关的文件，但是无法打开，如下图

 

 

解决方案：

writer.add_scalar("loss",loss.item(),step)

这里以记录深度学习训练过程中的loss为例，上面的第一项“loss”可以理解为记的这组数据的名称，loss.item()是需要记录的值，step是相关的待记录的步数，最后tensorboard得到的其实就是loss.item()随step变化的曲线。

好了这了特特特别要注意的点来了！！！

我们不就是要记录loss吗，为什么后面要跟上item（），这是因为item（）可以将tensor值转化为python数据类型，我通过尝试之后得出结论，记录值必须为python数据类型后面才能正常生成和使用，所以以后大家在使用writer.add_scalar时，务必确保记录的变量为python数据类型，不是就麻烦转化一下！！！这个问题对于初学者太容易忽视，记住了，答应我！！！

然后使用tensorboard --logdir 文件路径，打开弹出的网址就可以使用tensorboard可视化了！

---

3.writer.add_graph注意事项

writer.add_graph(net,input_to_model = torch.rand(batch_size,channels,H,W))

以处理图片，或者以图片处理思路处理的数组为例，我们的网络实例化得到了net之后，只要给一个正确的输入就可以得到计算图了，这里我强烈建议batch_size设置为一个小一点的数字就可以了，我就设置为的1；我开始直接把我几万组的数组放上去了，我的电脑疯狂的运作，提示使用了99%的计算资源（这里应该是我使用的GPU的原因，我们平时训练可能也会放在GPU中计算，所以没用过的兄弟姐妹注意一下），并且这之后我的电脑开始老弹出广告，感觉像是中了病毒一样，血泪啊！！！

希望这里的分享能帮助到大家！！！