[pytorch] --- pytorch基础之tensorboard使用

news2024/9/22 21:15:35

0 tensorboard介绍

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。

1 tensorboard使用步骤

1.1 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

1.2 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()

1.3 在PyCharm中启动TensorBoard

接下来，有两种方法在PyCharm中查看TensorBoard：

方法一：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/

Note: 一定要进入对应的虚拟环境才可使用命令打开Tenssorboard

方法二：
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。

1.4 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。
Note:

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。

2 实例演示tensborboard使用

步骤一：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()