PyTorch 自带 TensorBoard 使用教程

大家都知道，PyTorch 从 1.2.0 版本开始，正式自带内置的 Tensorboard 支持了，我们可以不再依赖第三方工具来进行可视化。

本文将介绍 PyTorch 1.2.0 中自带 Tensorboard 的基本使用方法。

安装

PyTorch 的版本需要 1.2.0 ：

然后安装 Tensorboard 1.14 ：

安装完成后，应该可以引入响应包：

上面的 warning 可以忽略。

引入相应的 Writer

要使用 Tensorboard 需要在 Python 代码中引入 Writer 类，并定义输出路径：

如果输出路径不存在会被自动创建。

运行 Tensorboard

在命令行中运行下列命令启动 Tensorboard：

请将命令中相应的路径和端口号改成自己需要的即可。

使用方法

我们这里用 Fashion-MNIST 数据库来做示范，展示一下 Tensorboard 的基本使用方法。Fashion-MNIST 的数据库可以从这里下载。

这里的神经网络结构非常简单，仅做示范用，包含两个卷积层，两个全连接层，输出 10 个分类，激活函数是 ReLU：

记录 Scalars

我们常用的 loss、accuracy 等都是数值，我们在 Tensorboard 中记录数值的方法也很简单：

其中 tag 是这个常数值所属的标签（比如 training_loss 等）。常用的一个方法是将 tag 值设置为 section/plot 的格式，这样 Tensorboard 会按照 section 来给结果分组（下面有例子）。

global_step 是一个整数，通常是曲线图里的 x 轴，如果不设置则默认一直为 0。注意这里是不存在覆盖的，就是对于同一个 global_step 值，新的值不会覆盖旧的值，而是会同时画到图上。

walltime 就是记录的时间戳，默认是系统当前时间 time.time()。

对于 Fashion-MNIST 数据集，我们主要记录 Training 和 Testing 的 loss，以及 Testing Accuracy：

输出结果如下：

记录图像

记录图像的语法为：

这里的 tag 含义和 Scalar 中一样，global_step 更像是给图像的一个标签。

我们的例子中，首先将多张图像制作成网格拼图，然后输出到 Tensorboard 中：

输出结果如下：

可以利用 global_step 来输出训练过程每个 epoch 的图像，这样可以有一个过程中的对比。

记录直方图 Histogram

记录直方图的语法为：

同样 tag 的含义还是一样，global_step 这里表现为一系列直方图叠加排列在一起的序列，values 可以是一系列数值，也可以是 numpy array。

总结

当然，PyTorch 内置的 Tensorboard 还有很多缺点，比如经常会画不出网络结构图，相信在未来的版本中会越来越完善。

除此以外，还有第三方工具可以实现可视化，见下列参考文章：

• 《PyTorch 使用 TensorboardX 进行网络可视化》
• 《PyTorch 可视化工具 Visdom 介绍》
• 《使用 Visdom 在 PyTorch 中进行可视化》

本站微信群、QQ群(三群号 726282629)：