小土堆pytorch--tensorboard的使用

小土堆pytorch--tensorboard的使用
- 0.介绍
- [1.使用tensorboard绘制 y = x 等简单函数](#1.使用tensorboard绘制 y = x 等简单函数)
- - [1.1 相应的代码](#1.1 相应的代码)
  - [1.2 对上述代码的解释](#1.2 对上述代码的解释)
  - [1.3 可能遇到的问题](#1.3 可能遇到的问题)
  - - [1.3.1 问题](#1.3.1 问题)
    - [1.3.2 解决方法](#1.3.2 解决方法)
- 2.使用tensorboard加载数据集中的图片
- - [2.1 相应代码](#2.1 相应代码)
  - [2.2 对上述代码的解释](#2.2 对上述代码的解释)
  - - [2.2.1 代码功能概述](#2.2.1 代码功能概述)
    - 2.2.2代码逐行解释
  - [2.3 后续操作](#2.3 后续操作)

小土堆pytorch--tensorboard的使用

0.介绍

TensorBoard 是 TensorFlow 提供的一组可视化工具，能将机器学习实验数据图形化展示，助力理解、调试、优化模型，也可用于 PyTorch 等框架结合使用来可视化相关数据。

主要功能

可视化模型结构：呈现模型计算图，展示张量、变量和操作流程，助于理解模型架构和参数。
跟踪训练指标：实时呈现损失函数、准确率、梯度等训练指标变化，以折线图等形式展示，方便评估模型性能和优化训练过程。
可视化数据分布：通过直方图展示张量分布，了解权重、激活值等分布及变化；用平面展示数据分布情况，分析数据特征。
展示图像音频：展示训练过程中的图像（如输入图像、输出图像、中间层特征图）和音频数据，辅助理解模型对多媒体数据的处理。
高维数据降维可视化：利用技术将高维嵌入向量投影到低维空间展示，分析向量关系和分布。

1.使用tensorboard绘制 y = x 等简单函数

1.1 相应的代码

bash 复制代码

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")

# writer.add_image()
# y = x
for i in range(0, 100):
    writer.add_scalar("y=x", i, i)

writer.close()

运行这段代码后，会在当前目录下生成一个名为 logs 的文件夹，其中包含了记录 y = x 数据的日志文件。接下来，可以在命令行中使用以下命令启动 TensorBoard 服务：

bash 复制代码

tensorboard --logdir=logs

然后在浏览器中打开 http://localhost:6006，就可以看到 y = x 函数关系的可视化图表。

然后就可以看到图表

1.2 对上述代码的解释

导入模块
bash 复制代码
```
from torch.utils.tensorboard import SummaryWriter
```
这行代码从 torch.utils.tensorboard 模块中导入 SummaryWriter 类。SummaryWriter 是一个重要的类，它可以将各种数据（如标量、图像、直方图等）写入日志文件，以便后续使用 TensorBoard 进行可视化分析。
创建 SummaryWriter 实例
bash 复制代码
```
writer = SummaryWriter("logs")
```
这行代码创建了一个 SummaryWriter 类的实例 writer，并指定日志文件的保存目录为 "logs"。也就是说，后续通过 writer 记录的数据都会被保存到这个名为 logs 的文件夹中。如果该文件夹不存在，程序会自动创建它。

运行这段代码后，IDE会自动生成logs文件夹
循环记录标量数据
bash 复制代码
```
# y = x
for i in range(0, 100):
    writer.add_scalar("y=x", i, i)
```
for i in range(0, 100): ：这是一个 for 循环，循环变量 i 从 0 到 99 依次取值。
writer.add_scalar("y=x", i, i) ：调用 writer 的 add_scalar 方法，该方法有三个主要参数：
A 第一个参数 "y=x" 是一个字符串，作为数据的标签，用于在 TensorBoard 中标识这组数据。
B 第二个参数 i 是要记录的标量值，也就是 y 的值，因为这里 y = x，所以 y 的值就等于 i。
C 第三个参数 i 是全局步数（global_step），用于表示数据点的顺序，在 TensorBoard 中，global_step 通常对应 x 轴，用于展示数据随时间或迭代次数的变化。

TIPS:

我们用CTRL+鼠标左键 点击add_scalar会跳出该函数的定义，以及对参数的讲解
关闭 SummaryWriter
bash 复制代码
```
writer.close()
```
这行代码调用 writer 的 close 方法，关闭 SummaryWriter 实例。关闭操作会确保所有的数据都被正确写入到日志文件中，释放相关资源。

综上所述，这段代码的主要目的是使用 SummaryWriter 记录 y = x 函数关系的数据，并将其保存到日志文件中，以便后续使用 TensorBoard 进行可视化分析。

1.3 可能遇到的问题

1.3.1 问题

这是这段代码的运行结果

也会对应在logs目录下生成相应的文件

假如我们修改代码，其实就这一点变化，我们在tensorboard上查看结果的时候会发现问题

**导致错误的原因：**多次记录了相同标签（都标为 y = 5x ）的数据，且每次记录的数据范围、采样方式等有差异，导致多组数据在同一图表中叠加显示，出现多条看似混乱的线。

1.3.2 解决方法

首先我们在pycharm中按ctrl+c 杀掉当前进程

然后我们手动删除这两个文件

然后再次运行上述代码，问题就可以解决了

2.使用tensorboard加载数据集中的图片

2.1 相应代码

bash 复制代码

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image

writer = SummaryWriter("logs")
image_path = "dataset/train/ants/5650366_e22b7e1065.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)
print(img_array.shape)

writer.add_image("test", img_array, 1, dataformats = 'HWC')

writer.close()

2.2 对上述代码的解释

2.2.1 代码功能概述

这段代码的主要功能是使用PyTorch 中的 torch.utils.tensorboard 模块，将一张本地的图像文件添加到 TensorBoard 的日志中，以便后续使用 TensorBoard 工具对该图像进行可视化展示。

2.2.2代码逐行解释

导入必要的模块

python 复制代码

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image

from torch.utils.tensorboard import SummaryWriter：从 torch.utils.tensorboard 模块中导入 SummaryWriter 类。SummaryWriter 用于将各种数据（如标量、图像、直方图等）写入日志文件，方便后续使用 TensorBoard 进行可视化分析。
import numpy as np：导入 numpy 库，并将其重命名为 np。numpy 是一个用于科学计算的强大库，在处理数组和矩阵时非常有用。
from PIL import Image：从 PIL（Python Imaging Library）库中导入 Image 类。PIL 是 Python 中常用的图像处理库，Image 类可以用于打开、操作和保存多种图像文件格式。

创建 SummaryWriter 实例

python 复制代码

writer = SummaryWriter("logs")

创建一个 SummaryWriter 类的实例 writer，并指定日志文件的保存目录为 "logs"。如果该目录不存在，程序会自动创建它。后续通过 writer 记录的数据都会被保存到这个目录下的日志文件中。

3 打开图像文件

python 复制代码

image_path = "dataset/train/ants/5650366_e22b7e1065.jpg"
img_PIL = Image.open(image_path)

image_path = "dataset/train/ants/5650366_e22b7e1065.jpg"：定义一个字符串变量 image_path，用于指定要打开的图像文件的路径。
img_PIL = Image.open(image_path)：使用 Image.open() 方法打开指定路径的图像文件，并将其存储为 PIL 图像对象 img_PIL。

4 将 PIL 图像对象转换为 numpy 数组

python 复制代码

img_array = np.array(img_PIL)

使用 np.array() 函数将 PIL 图像对象 img_PIL 转换为 numpy 数组 img_array。numpy 数组更适合进行数值计算和处理，方便后续传递给 SummaryWriter 进行记录。

5 打印图像数组的形状

python 复制代码

print(img_array.shape)

打印 img_array 的形状，即图像的高度、宽度和通道数。例如，对于 RGB 图像，形状通常为 (height, width, 3)。

6 向 TensorBoard 日志中添加图像

python 复制代码

writer.add_image("test", img_array, 1, dataformats = 'HWC')

调用 writer 的 add_image 方法，将图像添加到 TensorBoard 日志中。该方法有几个参数：

第一个参数 "test" 是一个字符串，作为图像的标签，用于在 TensorBoard 中标识这张图像。
第二个参数 img_array 是要添加的图像数据，即前面转换得到的 numpy 数组。
第三个参数 1 是全局步数（global_step），用于表示图像的顺序或迭代次数，在 TensorBoard 中，global_step 通常对应 x 轴，用于展示数据随时间或迭代次数的变化。
dataformats = 'HWC'：指定图像数据的格式。'HWC' 表示图像数据的维度顺序为高度（Height）、宽度（Width）和通道数（Channels）。

注意：在add_image的定义中如果tensor的形状是（H,W,3）则需要使用 dataformats = 'HWC'

关闭 SummaryWriter

python 复制代码

writer.close()

调用 writer 的 close 方法，关闭 SummaryWriter 实例。关闭操作会确保所有的数据都被正确写入到日志文件中，并释放相关资源。

2.3 后续操作

运行这段代码后，会在当前目录下生成一个名为 logs 的文件夹，其中包含了记录图像数据的日志文件。接下来，可以在命令行中使用以下命令启动 TensorBoard 服务：

bash 复制代码

tensorboard --logdir=logs

然后在浏览器中打开 http://localhost:6006，就可以在 TensorBoard 的界面中看到名为 "test" 的图像。

综上所述，这段代码的主要目的是使用 SummaryWriter 将本地的一张图像添加到 TensorBoard 日志中，以便后续进行可视化分析。

这样我们就可以在tensorboard中看到相应的图像

然后我们可以变换图像（使用图片的相对路径），然后把参数step=2