当前位置：首页 > news >正文

Pytorch深度学习实战3-8：详解数据可视化组件TensorBoard安装与使用

news 2025/6/23 2:24:05

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。

在这里插入图片描述

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, timeclass Visualizer:def __init__(self) -> None:pass@staticmethoddef 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 resultreturn wrapreturn 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

在这里插入图片描述

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 resultreturn warpreturn kernal