TensorBoard的使用 小土堆pytorch记录

1.TensorBoard 简介

• TensorBoard 是 TensorFlow 提供的可视化工具，PyTorch 通过 torch.utils.tensorboard 模块支持

• 主要功能：可视化训练过程、模型结构、图像数据等

2. SummaryWriter 核心功能

• 创建日志记录器 ：SummaryWriter("logs") 会在指定目录创建日志文件

• 记录图像 ：add_image() 方法

  • 支持 numpy 数组格式的图像

  • 必须指定正确的 dataformats（如 'HWC' 表示高度-宽度-通道）

• 记录标量 ：add_scalar() 方法

  • 用于记录损失、准确率等标量数据

  • 参数：(标签名, y值, x值)

3. 图像处理流程

1. 使用 PIL 的 Image.open() 加载图像

2. 转换为 numpy 数组：np.array(PIL_image)

3. 检查数组形状：(高度, 宽度, 通道数)

4. 确保数据类型为 uint8（0-255范围）

4. 数据格式说明

• 图像数据格式：

  • 'CHW'：通道-高度-宽度（PyTorch默认）

  • 'HWC'：高度-宽度-通道（OpenCV/PIL默认）

• 标量数据格式：

  • 通常用于记录训练指标随epoch/iteration的变化

5. 使用流程

1. 创建 SummaryWriter 对象

2. 在训练循环中使用 add_* 方法记录数据

3. 训练完成后关闭 writer

4. 在终端运行：tensorboard --logdir=logs 查看可视化结果

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

# 1. 创建SummaryWriter对象，指定日志保存目录为"logs"
writer = SummaryWriter("logs")

# 2. 图像数据记录示例
image_path = "dataset/train/bees/39747887_42df2855ee.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)  # 将PIL图像转为numpy数组

# 打印图像数组的类型和形状
print(type(img_array))
print(img_array.shape)  # 输出: (高度, 宽度, 通道数) 如(512, 768, 3) 图形RGB保存一般都是三通道

# 将图像添加到TensorBoard
# 参数说明:
# "train" - 图像在TensorBoard中的标签名
# img_array - 图像数据(numpy数组)
# 1 - 全局步数(可用于区分不同训练阶段的图像)
# dataformats='HWC' - 指定数据格式为(Height, Width, Channels)
writer.add_image("train", img_array, 1, dataformats='HWC')

# 3. 标量数据记录示例
# 记录y=2x函数的100个点
# y = 2x
for i in range(100):
    writer.add_scalar("y=2x", 2*i, i)

# 4. 关闭SummaryWriter
writer.close()

启动命令

tensorboard --logdir=logs --port=6006

扩展应用

1. 记录模型结构：

   writer.add_graph(model, input_tensor)

2. 记录直方图：

   writer.add_histogram("layer1/weights", model.layer1.weight, global_step)

3. 记录多组数据对比：

   writer.add_scalars("loss", {"train":train_loss, "val":val_loss}, epoch)

4. 记录嵌入向量：

   writer.add_embedding(features, metadata=labels, label_img=images)

通过TensorBoard的这些功能，可以全面监控和可视化深度学习模型的训练过程，更好地理解和优化模型。