点击上方“”,选择加""或“”
重磅干货,第一时间送达
笔者之前提到过PyTorch专属可视化工具visdom,参看PyTorch可视化工具深度学习训练visdom。但以前有很多TensorFlow用户更习惯使用TensorBoard训练的可视化展示。为了能让PyTorch用户也能用上TensorBoard,有开发人员提供PyTorch版本的TensorBoard,也就是tensorboardX。
熟悉TensorBoard用户可以无缝对接tensorboardX,安装方式如下:
pip install tensorboardX
除了要安装PyTorch此外,还需要安装TensorFlow。跟TensorBoard一样,tensorboardX也支持scalar, image, figure, histogram, audio, text, graph, onnx_graph, embedding, pr_curve,video不同类型对象的可视化显示模式。
tensorboardX和TensorBoard的启动方式一样,直接在终端下运行:
tensorboard --logdir runs
然后执行另一个终端Python文件即可:
python demo.py
打开localhost:6006即可看到tensorboardX可视化界面。
tensorboardX本地启动很容易,但通常我们的训练是在服务器上完成的, 所以要远程启动tensorboardX需要一些简单的设置。以虚拟机工具xshell例如:根据此设置文件->属性->ssh->隧道->添加,类型local,源主机填127.0.0.1(本机)设置一个端口,如12345。目标主机为服务器地址,目标端口一般为6006。如果占用6006,可以改为其他端口。
分别执行tensorboard和python脚本打开后,本地打开127.0.0.1:12345进入远程TensorBoard界面。
以scalar以此为例tensorboardX使用方法:
import numpy as np from tensorboardX import SummaryWriter writer = SummaryWriter() for i in range(100): writer.add_scalar('data/scalar1', np.random.rand(), i) writer.add_scalar('data/scalar2', {'xsinx': i*np.sin(i), 'xcosx': i*np.cos(i)}, i) writer.close()
scalar可视化如下图所示。
一个完整tensorboardX 使用demo如下:
import torch import torchvision.utils as vutils import numpy as np import torchvision.models as models from torchvision import datasets from tensorboardX import SummaryWriter resnet18 = models.resnet18(False) writer = SummaryWriter() sample_rate = 44100 freqs = [262, 294, 330, 349, 392, 440, 440, 440, 440, 440, 440] for n_iter in range(100): dummy_s1 = torch.rand(1) dummy_s2 = torch.rand(1) # data grouping by `slash` writer.add_scalar('data/scalar1', dummy_s1[0], n_iter) writer.add_scalar('data/scalar2', dummy_s2[0], n_iter) writer.add_scalars('data/scalar_group', {'xsinx': n_iter * np.sin(n_iter), 'xcosx': n_iter * np.cos(n_iter), 'arctanx': np.arctan(n_iter)}, n_iter) dummy_img = torch.rand(32, 3, 64, 64) # output from network if n_iter % 10 == 0: x = vutils.make_grid(dummy_img, normalize=True, scale_each=True) writer.add_image('Image', x, n_iter) dummy_audio = torch.zeros(sample_rate * 2) for i in range(x.size(0)): # amplitude of sound should in [-1, 1] dummy_audio[i] = np.cos(freqs[n_iter // 10] * np.pi * float(i) / float(sample_rate)) writer.add_audio('myAudio', dummy_audio, n_iter, sample_rate=sample_rate) writer.add_text('Text', 'text logged at step:' str(n_iter), n_iter) for name, param in resnet18.named_parameters(): writer.add_histogram(name, param.clone().cpu().data.numpy(), n_iter) # needs tensorboard 0.4RC or later writer.add_pr_curve('xoxo', np.random.randint(2, size=100), np.random.rand(100), n_iter) dataset = datasets.MNIST('mnist', train=False, download=True) images = dataset.test_data[:100].float() label = dataset.test_labels[:100] features = images.view(100, 784) writer.add_embedding(features, metadata=label, label_img=images.unsqueeze(1)) # export scalar data to JSON for external processing writer.export_scalars_to_json("./all_scalars.json") writer.close()
可视化效果如下:
https://github.com/lanpa/tensorboardX
https://www.tensorflow.org/tensorboard
在「」公众号后台回复:下载全网第一份OpenCV中文版扩展模块教程,涵盖等20多章。
在「」众号后台回复:即可下载包括等31个视觉实战项目,助力快速学校计算机视觉。
在「」公众号后台回复:即可下载含有个基于实现20个,实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。在群内发送广告,否则会请出群,谢谢理解~