在 Pytorch 中使用 TensorBoard

这篇具有很好参考价值的文章主要介绍了在 Pytorch 中使用 TensorBoard。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。

  • 机器学习的训练过程中会产生各类数据,包括 “标量scalar”、“图像image”、“统计图diagram”、“视频video”、“音频audio”、“文本text”、“嵌入Embedding” 等等。为了更好地追踪和分析这些数据,许多可视化工具应运而生,比如之前介绍的 wandb
  • 本文介绍另一种更加常用的数据追踪工具 TensorBoard,参考见 Pytorch 官方文档

1. Tensorboard 简介

  • TensorBoard 是Google开发的一个机器学习可视化工具,它原本是TensorFlow中的模块,不过现在已经集成到了Pytorch中。它的功能主要包括
    1. 跟踪和可视化损失及准确率等指标
    2. 可视化模型图(操作和层)
    3. 查看权重、偏差或其他张量随时间变化的直方图
    4. 将嵌入投射到较低的维度空间
    5. 显示图片、文字和音频数据
    6. 剖析 TensorFlow 程序
  • TensorBoard 的工作原理和 Wandb 基本相同,本质也是一个网页服务,分成前端和后台两部分,两部分间是异步I/O的
    • 后台程序将数据写入到本地文件中
    • 前端程序读取本地文件中的数据来进行显示
  • 由于 TensorBoard 已经集成到 Pytorch,无需再单独安装,直接 torch.utils.tensorboard 即可找到

2. 快速入门

2.1 运行方法

  • 可以把 Tensorboard 的运行分成两步
    1. 记录数据:使用 SummaryWriter 类实例数据要追踪的数据。每次运行时,该类对象首先会在给定目录log_dir中创建 “事件文件”(本次运行的数据仓库),然后在训练过程中我们可以利用其提供的一系列高级 API 向事件文件中异步地添加数据,从而实时地追踪数据变化。该类的定义如下
      torch.utils.tensorboard.writer.SummaryWriter(log_dir=None, comment='', purge_step=None, max_queue=10, flush_secs=120, filename_suffix='')
      
      • log_dir (str) – 事件文件保存的目录位置。默认为runs / CURRENT_DATETIME_HOSTNAME,每次运行后都会更改。推荐使用分层文件夹结构,例如对于每个新实验,可以传递“runs / exp1”,“runs / exp2”等来进行比较。
      • comment (str) –在默认的log_dir后缀中的注释。如果已设置log_dir,则此参数无效。
      • purge_step (int) – 若在运行到第 T + X T + X T+X 个 step 的时候由于各种原因(内存溢出)发生崩溃,那么当服务重启之后,就回退 X X X 个 step,从 T T T 时刻重新开始将数据写入文件。purge_step 参数就是设置的 X X X,这一段数据将被重新写入。注意,崩溃和恢复的实验应该具有相同的log_dir
      • max_queue (int) – 记录事件和摘要时在内存中开的队列的长度,当队列慢了之后就会把数据写入磁盘(文件)中。
      • flush_secs (int) – 将待处理事件和摘要刷新到磁盘的频率,以秒为单位,默认为每两分钟一次。
      • filename_suffix (str) – 添加到log_dir目录中所有事件文件名的后缀。有关文件名构造的更多详细信息,请参阅tensorboard.summary.writer.event_file_writer.EventFileWriter。
    2. 启动网页服务显示数据:使用 tensorboard --logdir 数据文件夹 命令运行网页服务,其中 “数据文件夹” 应设置为之前实验时设置的 log_dir。若看到了如下输出 TensorBoard 2.8.0 at http://localhost:6006/ (Press CTRL+C to quit) 则说明启动成功,在浏览器打开相应 url 就能进入TensorBoard界面看到数据显示了。注意默认端口是 6006,如果想进一步指定网页服务端口,可以用 tensorboard --logdir=数据文件夹 --port=端口 命令

2.2 常用 API

  • 我们使用 SummaryWriter 类提供的一系列 API 记录数据,比较常用的包括

    1. add_hparams:以表格形式添加一组要比较的超参数
    2. add_scalar:将标量数据添加到摘要中,用来画一条折线
    3. add_scalars:将一组标量数据添加到摘要中,可以在同一张图内画多条折线
    4. add_histogram:绘制直方图
    5. add_image:将一张图片添加到摘要,需要 pillow
    6. add_images:将一组图片添加到摘要,需要 pillow
    7. add_figure:将matplotlib图形渲染到图像中,并将其添加到摘要中,需要 matplotlib
    8. add_video:将视频数据添加到摘要中,需要 moviepy
    9. add_audio:将音频数据添加到摘要中
    10. add_text:将文本数据添加到摘要中
    11. add_graph:将图表数据添加到摘要中,这个常用来显示模型结构
    12. add_embedding:将词嵌入向量数据添加到摘要中,这个可以交互式显示一组词向量在三维空间的投影
    13. add_pr_curve:添加精确召回曲线。绘制精确召回曲线可让您了解模型在不同阈值设置下的性能。此函数可以为每个目标提供真实标签(T/F)和预测置信度(通常是模型的输出)。利用 TensorBoard UI 可以交互式地选择阈值
    14. add_custom_scalars:通过在 “scalar” 中收集的图表 tag 来创建特殊图表。注意对于每个 SummaryWriter 对象该函数只能调用一次,因为它只向tensorboard提供元数据,所以可以在训练循环之前或之后调用该函数
    15. add_mesh:向TensorBoard添加网格或3D点云。可视化基于Three.js,因此它允许用户与呈现的对象进行交互。除了顶点、面等基本定义外,用户还可以提供相机参数、光照条件等
  • 综合测试代码参考这里,运行效果可以参考这里:

    # 引入SummaryWriter
    import numpy as np
    import torch
    from torch.utils.tensorboard import SummaryWriter
    import torchvision
    from PIL import Image
    import matplotlib
    import matplotlib.pyplot as plt
    matplotlib.use('Agg')
    
    ##### 1、add_scalar实例
    def add_scalar_demo():
    
        # 将信息写入logs文件夹,可以供TensorBoard消费,来可视化
        writer = SummaryWriter("logs/add_scalar")
    
        # 绘制 y = 2x 实例
        x = range(100)
        for i in x:
            writer.add_scalar('add_scalar实例:y=2x', i * 2, i)
    
        # 关闭
        writer.close()
    add_scalar_demo()
    
    
    ##### 2、add_scalars 实例
    def add_scalars_demo():
        # 将信息写入logs文件夹,可以供TensorBoard消费,来可视化
        writer = SummaryWriter("logs/add_scalars")
        r = 5
        for i in range(100):
            writer.add_scalars('add_scalars实例', {'xsinx':i*np.sin(i/r),
                                            'xcosx':i*np.cos(i/r),
                                            'tanx': np.tan(i/r)}, i)
        # 关闭
        writer.close()
    
    add_scalars_demo()
    
    
    ##### 3、add_text 实例
    def add_text_demo():
        # 将信息写入logs文件夹,可以供TensorBoard消费,来可视化
        writer = SummaryWriter("logs/add_text")
    
        writer.add_text('lstm', 'This is an lstm', 0)
        writer.add_text('rnn', 'This is an rnn', 10)
        # 关闭
        writer.close()
    	
    	add_text_demo()
    	
    	
    	##### 4、add_graph 实例
    	def add_graph_demo():
    	    # 将信息写入logs文件夹,可以供TensorBoard消费,来可视化
    	    writer = SummaryWriter("logs/add_graph")
    	
    	    img = torch.rand([1, 3, 64, 64], dtype=torch.float32)
    	    model = torchvision.models.AlexNet(num_classes=10)
    	    # print(model)
    	    writer.add_graph(model, input_to_model=img)
    	    # 关闭
    	    writer.close()
    	
    	add_graph_demo()
    	
    	
    	##### 5、add_image 实例
    	def add_image_demo():
    	
    	    # 将信息写入logs文件夹,可以供TensorBoard消费,来可视化
    	    writer = SummaryWriter("logs/add_image")
    	
    	
    	    img1 = np.random.randn(1, 100, 100)
    	    writer.add_image('add_image 实例:/imag1', img1)
    	
    	    img2 = np.random.randn(100, 100, 3)
    	    writer.add_image('add_image 实例:/imag2', img2, dataformats='HWC')
    	
    	    img = Image.open('../imgs/1.png')
    	    img_array = np.array(img)
    	    writer.add_image('add_image 实例:/cartoon', img_array, dataformats='HWC')
    	    # 关闭
    	    writer.close()
    	
    	add_image_demo()
    	
    	
    	##### 6、add_images 实例
    	def add_images_demo():
    	
    	    # 将信息写入logs文件夹,可以供TensorBoard消费,来可视化
    	    writer = SummaryWriter("logs/add_images")
    	
    	    imgs1 = np.random.randn(8, 100, 100, 1)
    	    writer.add_images('add_images 实例/imgs1', imgs1, dataformats='NHWC')
    	
    	    imgs2 = np.zeros((16, 3, 100, 100))
    	    for i in range(16):
    	        imgs2[i, 0] = np.arange(0, 10000).reshape(100, 100) / 10000 / 16 * i
    	        imgs2[i, 1] = (1 - np.arange(0, 10000).reshape(100, 100) / 10000) / 16 * i
    	    writer.add_images('add_images 实例/imgs2', imgs2)  # Default is :math:`(N, 3, H, W)`
    	
    	    img = Image.open('../imgs/1.jpg')
    	    img3 = np.array(img)
    	    imgs4= np.zeros((5, img3.shape[0], img3.shape[1], img3.shape[2]))
    	    for i in range(5):
    	        imgs4[i] = img3//(i+1)
    	    writer.add_images('add_images 实例/imgs4', imgs4, dataformats='NHWC')  # Default is :math:`(N, 3, H, W)`
    	
    	    # 关闭
    	    writer.close()
    	add_images_demo()
    	
    	
    	##### 7、add_figure 实例
    	def add_figure_demo():
    	    # 将信息写入logs文件夹,可以供TensorBoard消费,来可视化
    	    writer = SummaryWriter("logs/add_figure")
    	
    	    # First create some toy data:
    	    x = np.linspace(0, 2 * np.pi, 400)
    	    y = np.sin(x ** 2)
    	
    	    # Create just a figure and only one subplot
    	    fig, ax = plt.subplots()
    	    ax.plot(x, y)
    	    ax.set_title('Simple plot')
    	
    	    writer.add_figure("add_figure 实例:figure", fig)
    	    # 关闭
    	    writer.close()
    	
    	add_figure_demo()
    	
    	
    	##### 8、add_pr_curve 实例
    	def add_pr_curve_demo():
    	    # 将信息写入logs文件夹,可以供TensorBoard消费,来可视化
    	    writer = SummaryWriter("logs/add_pr_curve")
    	
    	    labels = np.random.randint(2, size=100)  # binary label
    	    predictions = np.random.rand(100)
    	    writer.add_pr_curve('add_pr_curve 实例:pr_curve', labels, predictions, 0)
    	    # 关闭
    	    writer.close()
    	
    	add_pr_curve_demo()
    	
    	
    	##### 9、add_embedding 实例
    	def add_embedding_demo():
    	    # 将信息写入logs文件夹,可以供TensorBoard消费,来可视化
    	    writer = SummaryWriter("logs/add_embedding")
    	
    	    import tensorflow as tf
    	    import tensorboard as tb
    	    tf.io.gfile = tb.compat.tensorflow_stub.io.gfile
    	
    	    import keyword
    	    import torch
    	    meta = []
    	    while len(meta) < 100:
    	        meta = meta + keyword.kwlist  # get some strings
    	    meta = meta[:100]
    	
    	    for i, v in enumerate(meta):
    	        meta[i] = v + str(i)
    	
    	    label_img = torch.rand(100, 3, 10, 32)
    	    for i in range(100):
    	        label_img[i] *= i / 100.0
    	
    	    writer.add_embedding(torch.randn(100, 5), metadata=meta, label_img=label_img)
    	
    	    # 关闭
    	    writer.close()
    	
    	add_embedding_demo()
    

3. 使用 TensorBoard 记录 PPO 运行情况

  • 将 TensorBoard 相关代码添加到前文 RL 实践(7)—— CartPole【TPRO & PPO】 的 PPO 代码中,观察 RL 的收敛过程
    import gym
    import torch
    import random
    import torch.nn.functional as F
    import numpy as np
    import matplotlib.pyplot as plt
    from tqdm import tqdm
    from gym.utils.env_checker import check_env
    from gym.wrappers import TimeLimit 
    from datetime import datetime
    from torch.utils.tensorboard import SummaryWriter
    
    class PolicyNet(torch.nn.Module):
        ''' 策略网络是一个两层 MLP '''
        def __init__(self, input_dim, hidden_dim, output_dim):
            super(PolicyNet, self).__init__()
            self.fc1 = torch.nn.Linear(input_dim, hidden_dim)
            self.fc2 = torch.nn.Linear(hidden_dim, output_dim)
    
        def forward(self, x):
            x = F.relu(self.fc1(x))             # (1, hidden_dim)
            x = F.softmax(self.fc2(x), dim=1)   # (1, output_dim)
            return x
    
    class VNet(torch.nn.Module):
        ''' 价值网络是一个两层 MLP '''
        def __init__(self, input_dim, hidden_dim):
            super(VNet, self).__init__()
            self.fc1 = torch.nn.Linear(input_dim, hidden_dim)
            self.fc2 = torch.nn.Linear(hidden_dim, 1)
    
        def forward(self, x):
            x = F.relu(self.fc1(x))
            x = self.fc2(x)
            return x
    
    class PPO(torch.nn.Module):
        def __init__(self, state_dim, hidden_dim, action_range, actor_lr, critic_lr, lmbda, epochs, eps, gamma, device):
            super().__init__()
            self.actor = PolicyNet(state_dim, hidden_dim, action_range).to(device)
            self.critic = VNet(state_dim, hidden_dim).to(device) 
            self.actor_optimizer = torch.optim.Adam(self.actor.parameters(), lr=actor_lr)
            self.critic_optimizer = torch.optim.Adam(self.critic.parameters(), lr=critic_lr)
            
            self.device = device
            self.gamma = gamma
            self.lmbda = lmbda      # GAE 参数
            self.epochs = epochs    # 一条轨迹数据用来训练的轮数
            self.eps = eps          # PPO 中截断范围的参数
            self.device = device        
    
        def take_action(self, state):
            state = torch.tensor(state, dtype=torch.float).to(self.device)
            state = state.unsqueeze(0)
            probs = self.actor(state)
            action_dist = torch.distributions.Categorical(probs)
            action = action_dist.sample()
            return action.item()
    
        def compute_advantage(self, gamma, lmbda, td_delta):
            ''' 广义优势估计 GAE '''
            td_delta = td_delta.detach().numpy()
            advantage_list = []
            advantage = 0.0
            for delta in td_delta[::-1]:
                advantage = gamma * lmbda * advantage + delta
                advantage_list.append(advantage)
            advantage_list.reverse()
            return torch.tensor(np.array(advantage_list), dtype=torch.float)
    
        def update(self, transition_dict):
            states = torch.tensor(np.array(transition_dict['states']), dtype=torch.float).to(self.device)
            actions = torch.tensor(transition_dict['actions']).view(-1, 1).to(self.device)
            rewards = torch.tensor(transition_dict['rewards'], dtype=torch.float).view(-1, 1).to(self.device)
            next_states = torch.tensor(np.array(transition_dict['next_states']), dtype=torch.float).to(self.device)
            dones = torch.tensor(transition_dict['dones'], dtype=torch.float).view(-1, 1).to(self.device)
    
            td_target = rewards + self.gamma * self.critic(next_states) * (1-dones)
            td_delta = td_target - self.critic(states)
            advantage = self.compute_advantage(self.gamma, self.lmbda, td_delta.cpu()).to(self.device)
            old_log_probs = torch.log(self.actor(states).gather(1, actions)).detach()
    
            # 用刚采集的一条轨迹数据训练 epochs 轮
            for _ in range(self.epochs):
                log_probs = torch.log(self.actor(states).gather(1, actions))
                ratio = torch.exp(log_probs - old_log_probs)
                surr1 = ratio * advantage
                surr2 = torch.clamp(ratio, 1 - self.eps, 1 + self.eps) * advantage  # 截断
                actor_loss = torch.mean(-torch.min(surr1, surr2))                   # PPO损失函数
                critic_loss = torch.mean(F.mse_loss(self.critic(states), td_target.detach()))
                
                # 更新网络参数
                self.actor_optimizer.zero_grad()
                self.critic_optimizer.zero_grad()
                actor_loss.backward()
                critic_loss.backward()
                self.actor_optimizer.step()
                self.critic_optimizer.step()
    
    if __name__ == "__main__":
        def moving_average(a, window_size):
            ''' 生成序列 a 的滑动平均序列 '''
            cumulative_sum = np.cumsum(np.insert(a, 0, 0)) 
            middle = (cumulative_sum[window_size:] - cumulative_sum[:-window_size]) / window_size
            r = np.arange(1, window_size-1, 2)
            begin = np.cumsum(a[:window_size-1])[::2] / r
            end = (np.cumsum(a[:-window_size:-1])[::2] / r)[::-1]
            return np.concatenate((begin, middle, end))
    
        def set_seed(env, seed=42):
            ''' 设置随机种子 '''
            env.action_space.seed(seed)
            env.reset(seed=seed)
            random.seed(seed)
            np.random.seed(seed)
            torch.manual_seed(seed)
    
        state_dim = 4               # 环境观测维度
        action_range = 2            # 环境动作空间大小
        actor_lr = 1e-3
        critic_lr = 1e-2
        num_episodes = 200
        hidden_dim = 64
        gamma = 0.98
        lmbda = 0.95
        epochs = 10
        eps = 0.2
        device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
    
        # build environment
        env_name = 'CartPole-v0'
        env = gym.make(env_name, render_mode='rgb_array')
        check_env(env.unwrapped)    # 检查环境是否符合 gym 规范
        set_seed(env, 0)
    
        # build agent
        agent = PPO(state_dim, hidden_dim, action_range, actor_lr, critic_lr, lmbda, epochs, eps, gamma, device)
    
        # TensorBoard writer
        TIMESTAMP = "{0:%Y-%m-%dT%H-%M-%S/}".format(datetime.now())
        writer = SummaryWriter(f"logs/PPO")
        #writer = SummaryWriter(f"logs/PPO/{TIMESTAMP}")
        
        # start training
        return_list = []
        for i in range(10):
            with tqdm(total=int(num_episodes / 10), desc='Iteration %d' % i) as pbar:
                for i_episode in range(int(num_episodes / 10)):
                    episode_return = 0
                    transition_dict = {
                        'states': [],
                        'actions': [],
                        'next_states': [],
                        'next_actions': [],
                        'rewards': [],
                        'dones': []
                    }
                    state, _ = env.reset()
    
                    # 以当前策略交互得到一条轨迹
                    while True:
                        action = agent.take_action(state)
                        next_state, reward, terminated, truncated, _ = env.step(action)
                        next_action = agent.take_action(next_state)
                        transition_dict['states'].append(state)
                        transition_dict['actions'].append(action)
                        transition_dict['next_states'].append(next_state)
                        transition_dict['next_actions'].append(next_action)
                        transition_dict['rewards'].append(reward)
                        transition_dict['dones'].append(terminated or truncated)
                        state = next_state
                        episode_return += reward
                                            
                        if terminated or truncated:
                            break
                        #env.render()
    
                    # 用当前策略收集的数据进行 on-policy 更新
                    agent.update(transition_dict)
    
                    # 更新进度条
                    return_list.append(episode_return)
                    pbar.set_postfix({
                        'episode':
                        '%d' % (num_episodes / 10 * i + i_episode + 1),
                        'return':
                        '%.3f' % episode_return,
                        'ave return':
                        '%.3f' % np.mean(return_list[-10:])
                    })
                    pbar.update(1)
    
                    writer.add_scalars(
                        main_tag='return', 
                        tag_scalar_dict={f'hidden{hidden_dim}':episode_return}, 
                        global_step=i*int(num_episodes / 10) + i_episode
                    )
    
        writer.add_hparams(
            hparam_dict={
                'actor_lr': actor_lr, 
                'critic_lr': critic_lr,
                'hidden_dim': hidden_dim,
                'gamma': gamma,
                'lmbda': lmbda,
                'eps': eps,
                'num_episodes': num_episodes
            },
            metric_dict={
                'hparam/ave return': np.mean(return_list), 
            }
        )
    
        writer.close()
    
        
        # show policy performence
        mv_return_list = moving_average(return_list, 29)
        episodes_list = list(range(len(return_list)))
        plt.figure(figsize=(12,8))
        plt.plot(episodes_list, return_list, label='raw', alpha=0.5)
        plt.plot(episodes_list, mv_return_list, label='moving ave')
        plt.xlabel('Episodes')
        plt.ylabel('Returns')
        plt.title(f'{agent._get_name()} on CartPole-V0')
        plt.legend()
        plt.savefig(f'./result/{agent._get_name()}.png')
        plt.show()                           
        
    
    这里使用了两个 API,add_hparams 用来记录实验的超参数和结果,add_scalars 用来记录收敛过程(用这个是为了方便把多条曲线绘制到一张图中),结果如下
    在 Pytorch 中使用 TensorBoard,# PyTorch,pytorch,python,tensorboard
    这里测试了两种隐藏层尺寸,发现 hidden_size=64 时收敛比 128 快一点

4. 其他

4.1 TensorBoard UI

  • 关于 TensorBoard UI 的说明可以参考:TensorBoard最全使用教程:看这篇就够了

4.2 常见问题

  • 关于多次实验数据混合显示互相干扰的问题可以参考:tensorboard多个events文件显示紊乱的解决办法

4.3 与 wandb 联合使用

  • Tensorboard 比较轻量级,适合本地使用;wandb 更偏云端存储,适合团队间共享信息,二者也可以组合使用

  • 组合使用时,wandb 可以直接读取 Tensorboard 的本地仓库并同步所有数据,示例代码如下

    from torch.utils.tensorboard import SummaryWriter
    import wandb
    
    exp_name = f"tensorboard-wandb"
    
    # setup Wandb
    wandb.init(
        project='wandb_usage',
        entity=None,            # username
        sync_tensorboard=True,	# 同步 Tensorboard 数据
        config={'exp_name': exp_name},
        name=exp_name,
        save_code=True,         # 上传代码副本
    )
    
    # setup TensorBoard
    writer = SummaryWriter(f"runs/{exp_name}")
    for i in range(100):
        writer.add_scalar('test_loss', i*2, global_step=i)
    

    有可能出现无法同步 chart 数据,只能上传 GPU 等数据的情况,注意以下两个要点

    1. 先初始化 wandb,后初始化 SummaryWriter
    2. 以管理员身份运行(cmd 或 vscode),否则在 wandb/logs/debug-internal.log 中会看到以下错误
      Thread-30 :16652 [tb_watcher.py:_process_events():269] Encountered tensorboard directory watcher error: [WinError 1314] A required privilege is not held by the client: 
      
  • 更多联合使用的说明,参考 wandb 官方文档:Integrations/TensorBoard文章来源地址https://www.toymoban.com/news/detail-670203.html

到了这里,关于在 Pytorch 中使用 TensorBoard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使用TensorBoard(使用AutoDL快速入门)(mac系统)

    AutoDL配有miniconda,提供 tensorboard 监控 没有账号的可以注册体验,新用户注册有十元免费代金券 https://www.autodl.com/register?code=c7d8238d-2b58-4765-a38a-1b9c3f39926e 终端进入项目环境,输入命令安装 终端输入: 正常输出则安装成功 导入包 创建一个SummaryWriter对象:用于创建一个log文件

    2024年02月06日
    浏览(217)
  • pytorch中使用TensorBoard进行可视化Loss及特征图

    安装TensorBoard 导入TensorBoard 实例化TensorBoard 训练过程中的loss,accuracy等都是标量,都可以用TensorBoard中的add_scalar来显示,add_scalar方法中第一个参数表示表的名字,第二个参数表示的是你要存的值,第三个参数可以理解为x轴坐标。 终端输入tensorboard --logdir=logs,开启TensorBoard

    2023年04月12日
    浏览(56)
  • 【人工智能概论】 PyTorch可视化工具Tensorboard安装与简单使用

    Tensorboard原本是Tensorflow的可视化工具,但自PyTorch1.2.0版本开始,PyTorch正式内置Tensorboard的支持,尽管如此仍需手动安装Tensorboard。否则会报错。 ModuleNotFoundError: No module named ‘tensorboard’ 进入相应虚拟环境后,输入以下指令即可安装。 输入以下指令,不报错即说明安装成功。

    2023年04月24日
    浏览(48)
  • [pytorch] 2. tensorboard

    TensorBoard 是一组用于数据可视化的工具。它包含在流行的开源机器学习库 Tensorflow 中.但是也可以独立安装,服务Pytorch等其他的框架 可以常常用来观察训练过程中每一阶段如何输出的 安装 启动 会默认在6006端口打开,也可以自行制定窗口,如: 所在类: 介绍: 创建对象 常用

    2024年01月22日
    浏览(30)
  • 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(41)
  • Kaggle上使用Tensorboard

    想在Kaggle上使用Tensorboard,找了一圈。 参考了Kaggle上的一个Code:Tensorboard on Kaggle 但发现有些变化,Code中用到的内网穿透工具Ngrok需要加一个Token,所以需要注册一个 Ngrok 账号,免费获取一个通道的Token。 其实直接把在Kaggle上跑出来的Tensorboard日志文件下载到本地,在本地启动

    2023年04月21日
    浏览(20)
  • TensorBoard的使用

    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

    2024年02月13日
    浏览(28)
  • yolo使用tensorboard查看训练过程

     在终端打开并将此处的路径替换成绝对路径即可。 参考:查看训练过程

    2024年01月16日
    浏览(36)
  • 使用Tensorboard多超参数随机搜索训练

    完整代码位置https://gitee.com/chuge325/base_machinelearning.git 这里还参考了tensorflow的官方文档 但是由于是pytorch训练的差别还是比较大的,经过多次尝试完成了训练 硬件是两张v100 这个代码可以查看每次训练的loss曲线和超参数的对比信息 如果您的 TensorBoard 日志存储在远程服务器上,

    2023年04月19日
    浏览(22)
  • 使用qtquick调用python程序,pytorch

    使用qtquick调用python程序 2.1vsCode 2.2Anaconda version: conda 22.9.0 2.3pytorch 安装pytorch() 2.4QT 5.14.1 新版QT6.4,,6.5在线安装经常失败,而5.9版本又无法编译64位程序,所以就采用5.14.1这个用的比较多也比较稳定的一个版本。 QT编译器采用的是MSVC2017 64bit。 链接:https://pan.baidu.com/s/1ER98DPA

    2024年02月02日
    浏览(53)

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