深度学习 Pytorch 建模可视化工具TensorBoard的安装与使用

50 TensorBoard的安装和使用

在深度学习建模过程中，为了能够快速绘制模型基本结构、观察模型评估指标伴随训练过程的动态变化情况，当然也为了能够观察图像数据，我们可以使用TensorBoard工具来进行Pytorch深度学习模型的可视化展示。

Tensorboard原本是TensorFlow的可视化工具，而目前在TensorboardX工具的加持下，其他深度学习计算框架也可使用TensorBoard工具进行可视化操作了。在Pytorch原生的可视化工具不够友好的情况下，我们更推荐使用TensorboardX来实现Pytorch的建模可视化。

虽然我们可以在torch.util模块中调用Tensorboard，但Tensorboard并不和Pytorch同步维护，要使用Tensorboard，需单独安装。

# 随机模块
import random# 绘图模块
import matplotlib as mpl
import matplotlib.pyplot as plt# numpy
import numpy as np# pytorch
import torch
from torch import nn,optim
import torch.nn.functional as F
from torch.utils.data import Dataset,TensorDataset,DataLoader

50.1 安装TensorboardX

和python安装第三方库一样，直接在命令行中安装即可。已经安装了TensorFlow的同学，在安装TensorFlow的过程中会自动安装Tensorboard，后续可以直接使用。当然，只安装了PyTorch的同学可根据以下步骤单独TensorboardX组件：

• Step 1.打开cmd命令行

• Step 2.使用pip进行安装

pip install tensorboardX

• Step 3.安装tensorboard

pip install tensorboard

• Step 4.测试安装结果

导入相关的包，若能顺利导入，则证明安装成功

from torch.utils.tensorboard import SummaryWriter

50.2 SummaryWriter类与Tensorboard的基本使用

在进行建模过程可视化展示的过程，核心使用的类就是SummaryWriter类，通过该类的使用，我们可以记录关键运算关系、模型数值指标等，进而可以进行展示。

不过，考虑到真实生产环境中，大规模深度学习模型都是部署在服务器上运行的，我们无法像在本地IDE上一边输入数据一边绘图观测结果，我们只能将需要记录的关键结果记录下来并保存在某个文件里，然后再在本地或者服务器上开启某项服务读取该文件保存的信息。因此，整个过程会比在本地绘图稍微复杂，但确是真实生产环境中的主流操作。
使用SummaryWriter进行记录并读取结果的一般过程如下：

实例化summarywriter

writer = SummaryWriter(log_dir = 'test')

实例化的过程中需要确定保存路径，当保存在主目录文件内时，只需输入文件夹名称即可。当文件夹不存在时，系统会自动创建一个。每次实例化一次SummaryWriter，就会在对应文件夹内新生成一个文件。单个文件夹内允许存在多个文件，在实际读取过程中会一次性读取文件夹内全部文件。

writer.log_dir	# 通过log_dir查看summary对象记录文件的位置
# output :
'test'

记录数据

for i in range(10):writer.add_scalar('mul', i*i, i)

此处我们使用了add_scalar方法进行数据记录，该方法用于记录一组组标量，在实际记录过程中，通过迭代的方式逐个增加。其中，第一个参数代表改组记录的名称（也就是生成图像的名称），第二个参数代表y值，第三个参数代表x值。完成记录后，即可读取文件查看记录结果。除此以外，常用的还有add_graph方法用于记录深度学习建模流程。

启动服务读取文件

接下来，在本地启动服务，读取刚刚生成的记录文件。同样，我们可以在jupyter中的命令行直接启动服务。

1. 打开终端

   

2. 输入

   tensorboard --logdir="test"
   

   命令行中内容，其中tensorboard为指令关键词，--logdir参数输入记录文件夹地址（注意是文件夹地址而不是文件夹内的文件地址）。在默认情况下，系统会自动启动6006端口，可用于Web调用服务，这种调用方法类似于jupyter服务也是通过Web调用的，jupyter端口默认是8888。需要注意的是，上述命令中，是先将当前操作目录转移至test文件目录下，然后在调用tensorboard命令时只需要在--logdir参数位输入文件名称即可。无论是在--logdir参数位输入完整的文件路径，还是先将当前操作目录转移到对应目录下再直接输入文件名，都可以直接调用服务。

3. 进入6006端口页面

   

   直接点击也可以

   

   接下来即可对图形进行简单操作，最基本的，我们可以按住alt键，滚动鼠标滚轮对其进行缩放，以及通过鼠标左键对其进行拖拽。

至此，简单的跑通一个使用Tensorboard的使用实验顺利完成，在后续的建模过程中，我们还将进一步熟悉Tensorboard的其他功能。值得一提的是，尽管目前看起来是Tensorboard只记录了一张折线图，但实际上add_scalar方法核心应用场景是用于记录模型运行过程中，随着迭代次数增加一些数值指标的变化情况，如loss值、准确率值等等等等。无论如何，我们需要知道，Tensorboard的核心应用场景是深度学习建模过程的可视化展示，若只用其进行绘图，则有些大材小用了。