当前位置：首页 > news >正文

【深度学习实验】TensorBoard使用教程【SCALARS、IMAGES、TIME SERIES】

news 2025/6/28 8:23:50

文章目录

一、环境
二、TensorBoard
- 1. 使用TensorBoardX
- - a. 安装TensorBoardX
  - b. 使用示例
- 2. PyTorch内置的TensorBoard
- 3. 启动TensorBoard服务
三、实战
- 1. SCALARS（标量）
- - 找不同
  - - 关卡1
    - 关卡2
    - 关卡3
    - 关卡4
  - Show data download links
  - Ignore outliers in chart scaling
  - Smoothing
  - Horizontal Axis
  - - STEP（迭代次数）
    - RELATIVE（相对值）
    - WALL（时间）
  - Runs
- 2. IMAGES（图像）
- - Show actual image size
  - Brightness adjustment
  - Contrast adjustment
  - Runs
  - 查看不同step
- 3. TIME SERIES
四、报错
- 1. AttributeError: module 'PIL.Image' has no attribute 'ANTIALIAS'
- - 解决方案
- 2. TypeError: Descriptors cannot be created directly.
- - 解决方案

一、环境

conda create -n DL python==3.11

conda activate DL

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

conda install jupyter

conda install matplotlib TensorBoard

conda install tensorboardX

二、TensorBoard

1. 使用TensorBoardX

TensorBoardX 是一个可以在PyTorch中使用TensorBoard的第三方库，可以使用它来记录训练过程中的损失、准确率、模型参数直方图等信息，并在TensorBoard中进行可视化展示。

a. 安装TensorBoardX

conda install tensorboardX

或

pip install tensorboardX

b. 使用示例

在PyTorch中使用TensorBoardX来记录训练过程中的损失：

from tensorboardX import SummaryWriter# 创建一个SummaryWriter对象，指定记录日志的目录
writer = SummaryWriter('logs')for epoch in range(num_epochs):# 在训练循环中记录损失writer.add_scalar('Train/Loss', train_loss, epoch)# 训练结束后关闭SummaryWriter
writer.close()

2. PyTorch内置的TensorBoard

从PyTorch 1.2版本开始，PyTorch也增加了内置的TensorBoard支持：可以使用torch.utils.tensorboard.SummaryWriter来记录训练过程中的信息，方法与上面的示例类似。

from torch.utils.tensorboard import SummaryWriter

3. 启动TensorBoard服务

使用下述格式命令来启动TensorBoard（默认端口6006）：

tensorboard --logdir=path_to_your_logs

例：

 tensorboard --logdir=./Norm --port=6005

日志文件保存目录为Norm，TensorBoard将运行在6005端口上

在这里插入图片描述

三、实战

# Create a SummaryWriter for logging information to TensorBoard
writer = SummaryWriter()for epoch in range(num_epochs):print('Starting epoch {}...'.format(epoch), end=' ')# Iterate through the data loaderfor i, (images, labels) in enumerate(data_loader):step = epoch * len(data_loader) + i + 1real_images = Variable(images).to(device)labels = Variable(labels).to(device)generator.train()d_loss = 0# Perform multiple discriminator training stepsfor _ in range(n_critic):d_loss = discriminator_train_step(len(real_images), discriminator,generator, d_optimizer, criterion,real_images, labels,device)# Perform a single generator training stepg_loss = generator_train_step(batch_size, discriminator, generator, g_optimizer, criterion, device)# Write the losses to TensorBoardwriter.add_scalars('scalars', {'g_loss': g_loss, 'd_loss': (d_loss / n_critic)}, step)  # Display sample images at certain stepsif step % display_step == 0:generator.eval()z = Variable(torch.randn(9, 100)).to(device)labels = Variable(torch.LongTensor(np.arange(9))).to(device)sample_images = generator(z, labels).unsqueeze(1)grid = make_grid(sample_images, nrow=3, normalize=True)writer.add_image('sample_image', grid, step)print('Done!')

数据格式：
- 默认：
- 重命名
终端输入：

 tensorboard --logdir=./Norm

在这里插入图片描述

点击上述链接（浏览器中输入http://localhost:6006），打开TensorBoard的网页界面：

在这里插入图片描述

当使用TensorBoard对深度学习模型进行可视化时，常用的功能包括 Scalars（标量）、Images（图像）和Time Series（时间序列）：

1. SCALARS（标量）

Scalas 在 TensorBoard 中用于呈现训练过程中的标量值，例如损失函数值、准确率、学习率等。

通过 Scalars 功能，可以观察这些标量值随着训练步骤的变化而变化的趋势图；
可以同时对比多个标量，以便分析它们之间的关系和趋势。

找不同

关卡1

在这里插入图片描述

关卡2

toggle y-axis log scale(切换 Y 轴对数刻度)
在这里插入图片描述

关卡3

Alt+Scroll to Zoom(Alt+鼠标滚动以缩放)
在这里插入图片描述

在这里插入图片描述

关卡4

fit domain to data（说人话就是：缩放后一键复原）
在这里插入图片描述

Show data download links

在这里插入图片描述

开启下载~

Ignore outliers in chart scaling

在这里插入图片描述

Smoothing

曲线平滑：
在这里插入图片描述

Horizontal Axis

STEP（迭代次数）

在这里插入图片描述

RELATIVE（相对值）

在这里插入图片描述

WALL（时间）

在这里插入图片描述

Runs

选择要显示的数据（左面方框多选，右面圆圈单选）：
（对比实验结果）
在这里插入图片描述

2. IMAGES（图像）

Images 功能可用于显示模型生成的图像，以及模型中间层的激活值、过滤器等图片信息。

可以通过 Images 功能观察训练过程中生成的样本图片；
也可以通过可视化中间层的特征图像，从而更好地理解模型的学习过程和特征提取能力。

Show actual image size

显示实际图像尺寸
在这里插入图片描述

Brightness adjustment

亮度调节
在这里插入图片描述

右侧RESET恢复默认值

Contrast adjustment

对比度调整
在这里插入图片描述

Runs

选择
在这里插入图片描述

查看不同step

滑动~
在这里插入图片描述

3. TIME SERIES

合并上述内容
在这里插入图片描述

四、报错

1. AttributeError: module ‘PIL.Image’ has no attribute ‘ANTIALIAS’

在这里插入图片描述

解决方案

在pillow的10.0.0版本中，ANTIALIAS方法被删除了，使用新的方法即可：

Image.LANCZOS
Image.Resampling.LANCZOS

在这里插入图片描述

2. TypeError: Descriptors cannot be created directly.

TypeError: Descriptors cannot be created directly.
If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0.
If you cannot immediately regenerate your protos, some other possible workarounds are:1. Downgrade the protobuf package to 3.20.x or lower.2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).

在这里插入图片描述
protobuf的版本太高~

解决方案

conda install tensorboard

## Package Plan ##environment location: E:\Software\anaconda3\envs\DLadded / updated specs:- tensorboardThe following packages will be downloaded:package                    |            build---------------------------|-----------------werkzeug-2.3.8             |  py311haa95532_0         445 KB  defaults------------------------------------------------------------Total:         445 KBThe following NEW packages will be INSTALLED:protobuf           anaconda/pkgs/main/win-64::protobuf-3.20.3-py311hd77b12b_0werkzeug           anaconda/pkgs/main/win-64::werkzeug-2.3.8-py311haa95532_0Proceed ([y]/n)?