网站建设 沈阳,wordpress情侣主题汉化,redis做网站,网站代码上传后无法打开1 引言我们都知道tensorflow框架可以使用tensorboard这一高级的可视化的工具#xff0c;为了使用tensorboard这一套完美的可视化工具#xff0c;未免可以将其应用到Pytorch中#xff0c;用于Pytorch的可视化。本文主要是针对该解决方案提供一些介绍。TensorboardX支持scalar…1 引言我们都知道tensorflow框架可以使用tensorboard这一高级的可视化的工具为了使用tensorboard这一套完美的可视化工具未免可以将其应用到Pytorch中用于Pytorch的可视化。本文主要是针对该解决方案提供一些介绍。TensorboardX支持scalar, image, figure, histogram, audio, text, graph, onnx_graph, embedding, pr_curve and videosummaries等不同的可视化展示方式具体介绍移步至项目Github 观看详情。2 环境安装本教程代码环境依赖python 3.6Pytorch 0.4.0tensorboardX: pip install tensorboardX、pip install tensorflow3 代码教程TensorboardX可以提供中很多的可视化方式本文主要介绍scalar 和 graph其他类型相似。3.1 scalar教程01_scalar_base.py 代码对上述代码进行解释首先导入from tensorboardXimport SummaryWriter然后定义一个SummaryWriter() 实例。在SummaryWriter()上鼠标ctrlb我们可以看到SummaryWriter()的参数为def __init__(self, log_dirNone, comment, **kwargs): 其中log_dir为生成的文件所放的目录comment为文件名称。默认目录为生成runs文件夹目录。我们运行上述代码生成结果为当我们为SummaryWriter(commentbase_scalar)。生成结果为当我们为SummaryWriter(log_dirscalar) 添加log_dir参数可以看到第二条数据的文件名称包括了base_scalar值。生成结果目录为接着解释writer.add_scalar(scalar/test, np.random.rand(), epoch)这句代码的作用就是将我们所需要的数据保存在文件里面供可视化使用。 这里是Scalar类型所以使用writer.add_scalar()其他的队形使用对应的函数。第一个参数可以简单理解为保存图的名称第二个参数是可以理解为Y轴数据第三个参数可以理解为X轴数据。当Y轴数据不止一个时可以使用writer.add_scalars().运行代码之后生成文件之后我们在runs同级目录下使用命令行tensorboard --logdir runs. 当SummaryWriter(log_dirscalar)的log_dir的参数值 存在时将tensorboard --logdir runs 改为 tensorboard --logdir 参数值最后调用writer.close()。点击链接即可看到我们的最终需要的可视化结果。可视化效果可以分别点击对应的图片查看详情。可以看到生成的Scalar名称为scalar/test与scalar/test一致。注可以使用左下角的文件选择你想显示的某个或者全部图片。3.2 Graph教程02_graph_model.py 代码首先我们定义一个神经网络取名为Net1。然后将其添加到tensorboard可是可视化中。with SummaryWriter(commentNet1)as w:w.add_graph(model, (dummy_input,))我们重点关注最后两句话其中使用了python的上下文管理with 语句可以避免因w.close未写造成的问题。推荐使用此方式。因为这是一个神经网络架构所以使用 w.add_graph(model, (dummy_input,))其中第一个参数为需要保存的模型第二个参数为输入值元祖类型。打开tensorvboard控制台可得到如下结果。点击Net1部分可以将其网络展开查看网络内部构造。模型可视化结果其他部分可以继续一次展开查看详情。3.3 网络训练综合教程解释完上述两部分知识之后我们可以综合运用上述两部分内容实现线性拟合的训练过程中的loss可视化和模型的保存。03_linear_regression.py 代码我们将运行过程中loss和model分别保存最后打开tensorboard控制台可以得到模型结果和loss的结果为下图.模型可视化结果注不同的graph的可视化可以使用上图Run旁边的下拉框选择。loss可视化结果3.4 Tensorboard综合Demo本Demo代码为TensorboardX提供的官方Demo代码。demo.py最终运行的所有可视化结果为最终可视化结果4 结束语本文是我写的第一篇比较完整的文章大家如果觉得帮助到了你帮忙点个赞呗。若转载请标明出处谢谢
