Pytorch学习记录-Pytorch可视化使用tensorboardX
在很早很早以前（至少一个半月），我做过几节关于tensorboard的学习记录。
https://www.jianshu.com/p/23205a7921cd
https://www.jianshu.com/p/6235c1ecde67
https://www.jianshu.com/p/2b24454b0629
https://www.jianshu.com/p/0080047e5456
迟迟没有转到Pytorch的原因也是tensorflow的可视化做的好，不过现在Pytorch也支持了，在教程里有，学习一个。
在本教程中，使用简单的神经网络实现MNIST分类器，并使用TensorBoard可视化训练过程。在训练阶段，我们通过scalar_summary绘制损失和准确度函数，并通过image_summary可视化训练图像。此外，我们使用histogram_summary可视化神经网络参数的权重和梯度值。
pytorch使用tensorboard有三种方法：
昨天看了一下余霆嵩的教程，推荐使用tensorboardX，使用比logger更方便一些。
注意看注释就行了，这里我没有生成更复杂的直方图，仅仅记录了Loss、Accuracy、Graph
import torch
import torch.nn as nn
import torchvision
from torchvision import transforms
from logger import Logger
from tensorboardX import SummaryWriter
加载SummaryWriter，设置保存地址。
writer = SummaryWriter('./logs')
# Device configuration
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
MNIST dataset
dataset = torchvision.datasets.MNIST(root='./data',
train=True,
transform=transforms.ToTensor(),
download=True)
#Data loader
data_loader = torch.utils.data.DataLoader(dataset=dataset,
batch_size=100,
shuffle=True)
# lly connected neural network with one hidden layer
class NeuralNet(nn.Module):
def __init__(self, input_size=784, hidden_size=500, num_classes=10):
super(NeuralNet, self).__init__()
self.fc1 = nn.Linear(input_size, hidden_size)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(hidden_size, num_classes)
df forward(self, x):
out = self.fc1(x)
out = self.relu(out)
out = self.fc2(out)
return out
model NeuralNet().to(device)
# 损失函数和化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.00001)
data_iter= iter(data_loader)
iter_per_epoch = len(data_loader)
total_step = 10000
# Start taining
for step in range(total_step):
# Resetthe data_iter
if (step + 1) % iter_per_epoch == 0:
data_iter = iter(data_loader)
# Fetchimages and labels
images, labels = next(data_iter)
# view作用是将多行tensor拼接为一行，reshape张量形状，如果你不知道你想要多少行，但确定列数，那么你可以将行数设置为-1（同样，不知道多少列，可以将列数设为-1）
# size获取images的信息（行数，列数）
images, labels = images.view(images.size(0), -1).to(device), labels.to(device)
writer.add_graph(model, (images,))
# Forward pass
outputs = model(images)
loss = criterion(outputs, labels)
writer.add_scalar('Loss', loss, step + 1)
# Backwar and optimize
optimizer.zero_grad()
loss.backward()
optimizer.step()
# Computeaccuracy
_, argmax = torch.max(outputs, 1)
accuracy = (labels == argmax.squeeze()).float().mean()
writer.add_scalar('accuracy', accuracy, step + 1)
if (step + ) % 100 == 0:
print('Step [{}/{}], Loss: {:.4f}, Acc: {:.2f}'.format(step + 1, total_step, loss.item(), accuracy.item()))
搞定之后会在文件列表里看到一个logs文件夹，记录就在里面。
在根目录下命令行输入
tensorboard --logidr logs
得到反馈后在浏览器输入"http://localhost:6006"就可以进入tensorboard。