TensorBoard——Pytorch版使用（附带案例演示）-Toy模板网

这篇具有很好参考价值的文章主要介绍了TensorBoard——Pytorch版使用（附带案例演示）。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是一个用于可视化机器学习实验结果的工具，可以帮助我们更好地理解和调试训练过程中的模型。

在PyTorch中，我们可以使用TensorBoardX库来与TensorBoard进行交互。TensorBoardX是一个PyTorch的扩展，它允许我们将PyTorch的训练中的关键指标和摘要写入TensorBoard的事件文件中。

一、TensorBoard的使用步骤：

下面是使用TensorBoardX进行可视化的一些常见步骤：

1. 安装TensorBoard

确保你已安装TensorBoard。对于PyTorch用户，TensorBoard也可以独立安装：

pip install tensorboard

2. 在你的代码中配置TensorBoard

使用PyTorch时，你可以通过`torch.utils.tensorboard`模块来使用TensorBoard。首先，导入`SummaryWriter`来记录事件：

from torch.utils.tensorboard import SummaryWriter

# 初始化SummaryWriter
writer = SummaryWriter('runs/experiment_name')

然后，在你的训练循环中，使用`writer.add_scalar`等方法来记录你感兴趣的信息，例如损失和准确率：

for epoch in range(num_epochs):
    # 训练模型...
    loss = ...
    accuracy = ...
    
    # 记录损失和准确率
    writer.add_scalar('Loss/train', loss, epoch)
    writer.add_scalar('Accuracy/train', accuracy, epoch)

# 关闭writer
writer.close()

3. 在PyCharm中启动TensorBoard

接下来，有两种方法在PyCharm中查看TensorBoard：

方案一：使用Terminal

1. 打开PyCharm的Terminal。
2. 导航到你的项目目录。
3. 使用以下命令启动TensorBoard：

tensorboard --logdir=runs/

在这要注意一点：pycharm终端默认使用的是base环境，所以终端前面会显示PS,需要进入项目所使用的环境中才可执行tensorboard --logdir=runs/，具体如何操作点击这里。否则会出现如下报错：

TensorBoard——Pytorch版使用（附带案例演示）,人工智能

方案二：配置PyCharm运行配置

1. 在PyCharm中，点击右上角的“Add Configuration”。
2. 点击"+"，选择"Python"。
3. 在"Script path"中，找到并输入`tensorboard`的执行文件路径。
4. 在"Parameters"字段中，输入`--logdir=runs/`，确保路径与你的TensorBoard日志目录匹配。
5. 保存配置，然后你可以通过点击运行按钮来启动TensorBoard。

4. 浏览TensorBoard

在TensorBoard启动后，通过浏览器访问TensorBoard界面，你可以看到损失、准确率、图像示例等多种类型的日志信息，这些都可以帮助你分析和改进你的模型。

小提示

当使用PyTorch时，`SummaryWriter`的路径（例如`runs/experiment_name`）定义了TensorBoard日志的存储位置。确保每次实验使用不同的名称，以便在TensorBoard中清晰地区分它们。
利用TensorBoard的高级特性，如图像、图表和直方图记录，可以提供更多关于模型训练过程和结果的洞察。

二、案例演示

步骤1: 创建PyTorch模型

首先，我们定义一个简单的线性回归模型。

import torch
import torch.nn as nn
import numpy as np
from torch.utils.tensorboard import SummaryWriter

# 定义模型
class LinearRegressionModel(nn.Module):
    def __init__(self):
        super(LinearRegressionModel, self).__init__()
        self.linear = nn.Linear(1, 1)  # 输入和输出都是1维

    def forward(self, x):
        return self.linear(x)

步骤2: 训练模型并记录日志

接着，我们将准备数据、定义损失函数和优化器，并在训练循环中使用SummaryWriter来记录损失：

# 准备数据
x_train = np.array([[3.3], [4.4], [5.5], [6.71], [6.93], [4.168], 
                    [9.779], [6.182], [7.59], [2.167], 
                    [7.042], [10.791], [5.313], [7.997], [3.1]], dtype=np.float32)

y_train = np.array([[1.7], [2.76], [2.09], [3.19], [1.694], [1.573], 
                    [3.366], [2.596], [2.53], [1.221], 
                    [2.827], [3.465], [1.65], [2.904], [1.3]], dtype=np.float32)

x_train = torch.from_numpy(x_train)
y_train = torch.from_numpy(y_train)

# 初始化模型
model = LinearRegressionModel()

# 损失和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 初始化SummaryWriter
writer = SummaryWriter('runs/linear_regression_experiment')

# 训练模型
num_epochs = 100
for epoch in range(num_epochs):
    # 转换为tensor
    inputs = x_train
    targets = y_train

    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, targets)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 记录损失
    writer.add_scalar('Loss/train', loss.item(), epoch)

    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

# 关闭SummaryWriter
writer.close()