在我们的炼丹过程中,如果能够使用丰富的图像来展示模型的结构,指标的变化,参数的分布,输入的形态等信息,无疑会提升我们对问题的洞察力,并增加许多炼丹的乐趣。
TensorBoard正是这样一个神奇的炼丹可视化辅助工具。它原是TensorFlow的小弟,但它也能够很好地和Pytorch进行配合。甚至在Pytorch中使用TensorBoard比TensorFlow中使用TensorBoard还要来的更加简单和自然。
本篇结构:
一,可视化模型结构
二,可视化指标变化
三,可视化参数分布
四,可视化原始图像
五,可视化人工绘图
六,torchkeras中的TensorBoard回调函数
1.Tensorboard可视化概述
Pytorch中利用TensorBoard可视化的大概过程如下:
首先在Pytorch中指定一个目录创建一个torch.utils.tensorboard.SummaryWriter日志写入器。
然后根据需要可视化的信息,利用日志写入器将相应信息日志写入我们指定的目录。
最后就可以传入日志目录作为参数启动TensorBoard,然后就可以在TensorBoard中愉快地看片了。
我们主要介绍Pytorch中利用TensorBoard进行如下方面信息的可视化的方法。
- 可视化模型结构: writer.add_graph
- 可视化指标变化: writer.add_scalar
- 可视化参数分布: writer.add_histogram
- 可视化原始图像: writer.add_image 或 writer.add_images
- 可视化人工绘图: writer.add_figure
这些方法尽管非常简单,但每次训练的时候都要调取调试还是非常麻烦的。
作者在torchkeras库中集成了一个torchkeras.callback.TensorBoard回调函数工具,
利用该工具配合torchkeras.LightModel可以用极少的代码在TensorBoard中实现绝大部分常用的可视化功能。
包括:
- 可视化模型结构
- 可视化指标变化
- 可视化参数分布
- 可视化超参调整
可以说非常方便哦。
标签:torch,4Tensorboard,self,writer,可视化,tensorboard,import From: https://www.cnblogs.com/lotuslaw/p/18106759