【pytorch】TensorBoard的使用

TensorBoard

TensorBoard 是 TensorFlow 提供的一个可视化工具，用于实时监控、调试和可视化深度学习模型的训练过程和性能指标。虽然它是为 TensorFlow 设计的，但也可以与其他深度学习框架（如 PyTorch）一起使用。

下面是一些关于 TensorBoard 的详细知识和使用方法：

可视化功能：

Scalars（标量）：用于显示训练过程中的标量数据，比如损失和准确率的变化趋势。
Graphs（图）：用于可视化计算图，显示模型的结构和参数。
Histograms（直方图）：用于显示张量的分布情况，帮助观察权重和梯度的变化。
Images（图像）：用于显示图像数据，比如输入图像、生成图像等。
Embeddings（嵌入）：用于降维可视化高维数据，比如词嵌入的可视化。
使用方法：

在代码中添加 TensorBoard 回调：在训练代码中添加 TensorBoard 回调，将训练过程中的数据保存到日志文件中。
启动 TensorBoard 服务器：在命令行中使用 tensorboard --logdir=logs 命令启动 TensorBoard 服务器，其中 --logdir 参数指定了保存日志文件的目录。
在浏览器中查看可视化结果：在浏览器中打开指定的地址（通常是 http://localhost:6006），即可查看 TensorBoard 的各种可视化结果。
高级功能：

自定义可视化：除了内置的可视化功能外，你还可以通过 TensorFlow 提供的 API 自定义更复杂的可视化效果。
追踪多个实验：可以使用不同的日志目录来追踪和比较多个实验的结果。
与 PyTorch 结合使用：虽然 TensorBoard 是为 TensorFlow 设计的，但也可以与 PyTorch 结合使用，通过一些库（如 tensorboardX）将 PyTorch 的数据转换为 TensorBoard 格式。

以下是SummaryWriter来将图像数据写入TensorBoard日志中：

from torch.utils.tensorboard import SummaryWriter
from PIL import Image
import numpy as np

#创建一个SummaryWriter对象，指定日志目录为"log"
writer = SummaryWriter("log")

image_path =  r'绝对路径或者相对路径'
img_PIL = Image.open(image_path)

# 将图片转为numpy类型
img_array = np.array(img_PIL)

#打印图像数组的类型和形状
print(type(img_array))
print(img_array.shape)

#"train"是写入的标签名称。
#img_array是图像数据的NumPy数组。
#1表示当前的步数。
#dataformats='HWC'指定图像数据的格式为Height x Width x Channels
writer.add_image("train",img_array,1,dataformats='HWC')

#关闭SummaryWriter
writer.close()

# 在命令行中启动 TensorBoard 服务器：
# tensorboard --logdir=./logs是使用 TensorFlow 创建一个简单的线性回归模型，并使用 TensorBoard 来可视化模型的计算图和训练过程。TensorBoard 可以展示计算图、损失函数随训练步骤的变化趋势等信息，有助于理解和调试模型。