TensorBoard的使用

这篇具有很好参考价值的文章主要介绍了TensorBoard的使用。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

TensorBoard是一个可视化工具,可以查看每个阶段的输出结果。

工作流程:1.将代码运行过程中关心的数据保存在一个文件夹中(writer完成)2.读取这个文件夹中的数据,用浏览器显示出来(命令行运行tensorboard完成)

SummaryWriter类的使用

help:将数据以特定的格式存储到事件文件夹中。

常用方法:

add_scalar(self, tag, scalar_value, global_step=None, walltime=None)方法参数说明:

tag字符串类型,表示标题;

scalar_value相当于y轴的值;

global_step相当于x轴的值int型;

最后一个参数是可选参数

add_image(self, tag, img_tensor, global_step=None, walltime=None, dataformats='CHW')方法参数说明:

部分参数与上相同;

img_tensor表示图像的数据类型,需要是torch.Tensornumpy.array 或者 string/blobname;

最后一个参数是图像的尺寸格式,默认是3HW(3表示通道C),如果不是默认的则需要用最后一个参数进行说明。

 文章来源地址https://www.toymoban.com/news/detail-635462.html

在pycharm的terminal终端输入命令tensorboard --logdir=事件文件所在文件夹名,默认使用6006端口,更改端口可以使用命令tensorboard --logdir=事件文件所在文件夹名 --port=6007,通过浏览器查看可视化结果。

代码实现:

1.实例化SummaryWriter对象,保存到logs文件夹下

writer = SummaryWriter("logs")

2.调用所需要的方法

writer.add_image("test", img_array, 2, dataformats='HWC')

3.关闭writer

writer.close()

实现读取数据集中的图片或自己作图通过TensorBoard展示出来:

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

writer = SummaryWriter("logs")
img_path = "dataset/train/bees/16838648_415acd9e3f.jpg"
#读取的图像数据类型是JpegImageFile
img_PIL = Image.open(img_path)
#从PIL到numpy,需要在add_image()中指定shape中的每一个数字/维表示的含义
img_array = np.array(img_PIL)
print(type(img_array))
print(img_array.shape)  #此处格式为(H, W, C)高度宽度通道形式

writer.add_image("test", img_array, 2, dataformats='HWC')
# y = 2x
#当标题不变时,将2x变为3x则会发生混乱,可以删除之前的事件文件,即可正常显示
for i in range(100):
   writer.add_scalar("y=2x", 3*i, i)

#注意要记得close
writer.close()

在命令行中启动TensorBoard

#命令行运行命令
tensorboard --logdir=logs

TensorBoard的使用TensorBoard的使用

 

 

到了这里,关于TensorBoard的使用的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Pytorch深度学习实战3-8:详解数据可视化组件TensorBoard安装与使用

    在深度学习领域,网络内部如同黑箱,其中包含大量的连接参数,这给人工调试造成极大的困难。 Tensorboard 则是神经网络的可视化工具,可以记录训练过程的数字、图像、运行图等内容,方便研究人员对训练参数进行统计,观察神经网络训练过程并指导参数优化。 参考

    2023年04月09日
    浏览(43)
  • 【深度学习】tensorboard可视化网页详解

    TensorBoard是TensorFlow官方提供的一款可视化工具,用于可视化模型训练过程中的各种指标、图像和计算图等信息,方便用户更加直观地观察模型的训练情况。 下面是TensorBoard的一些常见可视化网页: 在使用tensorboard之前首先要确定有这个包,没有的话使用pip命令安装。 在Tenso

    2024年02月03日
    浏览(39)
  • 无涯教程-TensorFlow - TensorBoard可视化

    TensorFlow包含一个可视化工具,称为TensorBoard,它用于分析数据流图,还用于了解机器学习模型。 TensorBoard的重要功能包括查看有关垂直对齐的任何图形的参数和详细信息的不同类型统计的视图。 深度神经网络包括多达36,000个节点。 TensorBoard帮助将这些节点折叠成块并突出显

    2024年02月12日
    浏览(41)
  • 三种实现模型可视化的方式(print, torchinfo, tensorboard)

    记录一下自己使用的三种模型可视化的方式,从简单到难 最简单的是print,就不用多说了。 即可按照像文档路径一样的方式输出结构,并且有每一层的shape和参数量,比print的信息更多。 但相对而言还是比较简单。 该方法是个人觉得最好用的并且很动态 需要提前下好tensorb

    2023年04月13日
    浏览(39)
  • 本地浏览器查看--服务器上运行的可视化,如tensorboard

    特别提醒 :注意看 本地 端和 服务器 端 解释 :将服务器的6008端口 映射 到本地的6008端口,-p  443  是你服务器上的IP后面紧跟的那个端口,root是自己的服务器名字 参考: 在远程服务器上使用tensorboard方法_tensorboard远程服务器-CSDN博客 本地查看服务器端运行的Tensorboard方法

    2024年01月16日
    浏览(57)
  • 一个颜值功能双在线的Zookeeper可视化工具

    大家好,我是 Java陈序员 ,今天给大家介绍一个颜值功能双在线的 Zookeeper 可视化工具。 PrettyZoo 是一个基于 Apache Curator 和 JavaFX 实现的 Zookeeper 图形化管理客户端。 使用了 Java 的模块化( Jigsaw )技术,并基于 JPackage 打包了多平台的可运行文件(无需要额外安装 Java 运行时)

    2024年02月08日
    浏览(66)
  • 【Python】EasySpider:一个很强大的可视化网络爬虫工具,100%开源完全免费

    EasySpider是一个可视化爬虫软件,可以使用图形化界面,无代码可视化的设计和执行爬虫任务。只需要在网页上选择自己想要爬的内容并根据提示框操作即可完成爬虫设计和执行。同时软件还可以单独以命令行的方式进行执行,从而可以很方便的嵌入到其他系统中。自发布以来

    2024年02月07日
    浏览(66)
  • AJ-Report是一个完全开源,拖拽编辑的可视化设计工具

        AJ-Report是全开源的一个BI平台,酷炫大屏展示,能随时随地掌控业务动态,让每个决策都有数据支撑。     多数据源支持,内置mysql、elasticsearch、kudu驱动,支持自定义数据集省去数据接口开发,目前已支持30+种大屏组件/图表,不会开发,照着设计稿也可以制作大屏。

    2024年02月08日
    浏览(46)
  • 小程序数据可视化:使用图表和可视化工具展示数据

    在当今信息爆炸的时代,数据无疑是最珍贵的资源之一。然而,海量的数据如果不加以整理和展示,很难从中获取有价值的信息。这时候,数据可视化就发挥了重要作用,它能够通过图表和可视化工具将复杂的数据转化为直观的视觉形式,帮助人们更好地理解和分析数据。本

    2024年02月11日
    浏览(58)
  • 可视化工具Visdom的使用

    ​ Visdom是Facebook专为PyTorch开发的实时可视化工具包,其作用相当于TensorFlow中的Tensorboard,灵活高效且界面美观。如果想更多了解关于Visdom的使用可以参考官方文档 打开cmd窗口,输入命令即可 要是用Visdom,需要在终端先开启监控命令,根据显示在浏览器中输入: http://localho

    2024年02月10日
    浏览(37)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包