目录

• 1 什么是Tensorboard？
• 2 Tensorboard安装
• 3 Tensorboard可视化流程
• 4 Tensorboard可视化实例
• • 4.1 常量可视化
  • 4.2 特征图可视化

1 什么是Tensorboard？

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。

2 Tensorboard安装

参考Anaconda安装与Python虚拟环境配置保姆级图文教程(附速查字典)创建一个实验用的虚拟环境。进入相应虚拟环境后，输入以下指令即可安装。

pip install tensorboardX
pip install tensorboard

安装完成后，进入环境

python
from torch.utils.tensorboard import SummaryWriter

若上述指令不报错即说明安装成功。

3 Tensorboard可视化流程

Tensorboard可视化过程主要为：

• 为某次实验创建数据记录句柄

  writer = SummaryWriter(path)
  

  其中path是数据记录日志的存储路径。

• 通过writer实例的add_xxx方法向日志写入不同类型的观察数据，主要类型有

  Scalars：在模型训练期间显示不同的有用信息
  Graphs：显示模型
  Histogram：使用直方图显示权重
  Distribution：显示权重分布
  Projector：显示主成分分析和T-SNE算法，用于降维

• 启动Tensorboard可视化引擎

  tensorboard --logdir=<your_log_dir>
  

  其中<your_log_dir>可以是单次实验的日志所在路径，也可以是多次实验的父级目录，Tensorboard会自动横向比较各次实验曲线。

4 Tensorboard可视化实例

4.1 常量可视化

这边给大家提供一个很方便的装饰器，实现过程如下

from tensorboardX import SummaryWriter
import os, time


class Visualizer:
    def __init__(self) -> None:
        pass

    @staticmethod
    def visual_scale(title: str, path: str, cover: bool=True):
        '''
        * @breif: 可视化模型标量数据
        * @param[in]: title  -> 图表名称
        * @param[in]: path   -> 可视化数据存储路径
        * @param[in]: cover  -> 是否覆盖已有可视化数据
        '''
        def scale(func):
            def wrap(*args, **kwargs):
                writer = SummaryWriter(log_dir=Visualizer.coverFile(path, cover))
                result = func(*args, **kwargs)
                if len(result) > 0:
                    data_num = len(result[next(iter(result))])
                    for i in range(data_num):
                        writer.add_scalars(title, {k: v[i] for k, v in result.items()}, i)
                return result
            return wrap
        return scale

使用起来只需要一句话，注意要构造一个字典，记录将要传递给tensorboard的数据：

@visual_scale('loss', './log/fcnn')
def main(model, epochs: int, save: bool=False) -> None:
    # 生成优化器——随机梯度下降
    optimizer = torch.optim.SGD(model.parameters(), 1e-3)
    lossParam = {"trainLoss": [], "validLoss": []}
    for i in range(epochs):
        lossParam["trainLoss"].append(train(i, epochs, model, optimizer))
        lossParam["validLoss"].append(validate(i, epochs, model))
    if save:
        torch.save(model.state_dict(), r"model/{}.pth".format(model.__str__))
    return lossParam

4.2 特征图可视化

同样用装饰器的形式构造一个可视化卷积核的工具函数

def visual_kernal(title: str, path: str, append: bool=False):
    def kernal(func):
        def warp(*args, **kwargs):
            if not append and os.path.exists(path):
                delFiles(path)
            writer = SummaryWriter(log_dir=path)
            result = func(*args, **kwargs)
            try:
                model = kwargs['model']
                for name, param in model.named_parameters():
                    if 'conv' in name.lower() and 'weight' in name:
                        Cout, Cin, Kh, Kw = param.size()
                        kernelAll = param.reshape(-1, 1, Kw, Kh)  # 每个通道的卷积核
                        kernelGrid = vutils.make_grid(kernelAll, nrow=Cin)
                        writer.add_image(f'{title}--{name}', kernelGrid, global_step=0)
            except:
                raise AttributeError("被修饰函数传入的模型不存在或参数格式有误!")
            return result
        return warp
    return kernal

🔥 更多精彩专栏：

• 《ROS从入门到精通》
• 《Pytorch深度学习实战》
• 《机器学习强基计划》
• 《运动规划实战精讲》
• …