tensorboardX详解
tensorboardX介绍
Tensorboard 是 TensorFlow 的一个附加工具，可以记录训练过程的数字、图像等内容，以方便研究人员观察神经网络训练过程。但是对于 PyTorch 等其他神经网络训练框架并没有功能像 Tensorboard 一样全面的类似工具，一些已有的工具功能有限或使用起来比较困难 (tensorboard_logger, visdom等) 。TensorboardX 这个工具使得 TensorFlow 外的其他神经网络框架也可以使用到 Tensorboard 的便捷功能。
.安装了tensorflow会自动安装tensorboard
tensorboardx依赖于tensorboard和ternsorflow
tensorflow依赖于tensorboard
安装
pip install tensorboardX
创建SummaryWriter实例
以下展示了三种初始化 SummaryWriter 的方法：
1.提供一个路径，将使用该路径来保存日志
代码：
from tensorboardX import SummaryWriter
writer = SummaryWriter('runs/another_scalar_example/11')
目录结构：
2.无参数，默认将使用 runs/日期时间 路径来保存日志
代码：
from tensorboardX import SummaryWriter
writer = SummaryWriter()
目录结构：
3.提供一个 comment 参数，将使用 runs/日期时间-comment 路径来保存日志
代码：
from tensorboardX import SummaryWriter
writer = SummaryWriter(comment="abc")
目录结构：
接下来，我们就可以调用 SummaryWriter 实例的各种 add_something 方法向日志中写入不同类型的数据了。
各种add方法使用
add_scalar
方法各参数介绍
add_scalar(tag, scalar_value, global_step=None, walltime=None)
- tag (string): 数据名称，不同名称的数据使用不同曲线展示
- scalar_value (float): 数字常量值
- global_step (int, optional): 训练的 step
- walltime (float, optional): 记录发生的时间，默认为 time.time()
举例
1.例子1
代码：
from tensorboardX import SummaryWriter
writer = SummaryWriter()
for i in range(10):
writer.add_scalar('quadratic', i**2, global_step=i)
writer.add_scalar('exponential', 2**i, global_step=i)
在浏览器可视化界面中效果如下：
不同名称的数据使用不同曲线展示
2.例子2
代码：
from tensorboardX import SummaryWriter
writer = SummaryWriter()
for i in range(10):
writer.add_scalar('quadratic', i**2, global_step=i)
writer.add_scalar('quadratic', i**4, global_step=i)
在浏览器可视化界面中效果如下：
本质过程就是描点，然后用直线按照描点顺序把各点链接起来
再例如
代码：
from tensorboardX import SummaryWriter
writer = SummaryWriter()
for i in range(10):
writer.add_scalar('quadratic', i, global_step=i)
writer.add_scalar('quadratic', i**2, global_step=i)
for i in range(10):
writer.add_scalar('quadratic', -i**3, global_step=i)
在浏览器可视化界面中效果如下：
3.例子3
第一次执行程序代码：
from tensorboardX import SummaryWriter
writer = SummaryWriter("runs/exp")
for i in range(10):
writer.add_scalar('quadratic', i**2, global_step=i)
第二次执行程序代码（第二次执行不删除第一次生成的目录文件夹）：
from tensorboardX import SummaryWriter
writer = SummaryWriter("runs/exp")
for i in range(10):
writer.add_scalar('quadratic', -i**2, global_step=i)
最终的目录结构：
在浏览器可视化界面中效果如下：
要启动tensorboard，必须指定它的logdir（默认为runs）: tensorboard会在你指定的这个log-dir里面做路径搜索，寻找所有的events文件以及子文件夹中的events文件。在同一个目录下的两个events文件，数据名称相同，最终可视化结果是两个阶段的描点按照顺序的组合。也就是第一阶段最后一个点和第二阶段第一个点也有直线连接。
4.例子4
目录结构：
在浏览器可视化界面中效果如下：
tensorboard会在你指定的这个log-dir里面做路径搜索，寻找所有的events文件以及子文件夹中的events文件。路径相同的events文件可视化的图形线条颜色一样,如果文件路径不同但是数据名称相同，则会被用不同线条颜色画到同一个图里面。
add_graph
使用 add_graph 方法来可视化一个神经网络。
参数介绍
add_graph(model, input_to_model=None, verbose=False, **kwargs)
- model (torch.nn.Module): 待可视化的网络模型
- input_to_model (torch.Tensor or list of torch.Tensor, optional): 待输入神经网络的变量或一组变量。输入的是一个元组，且各变量的维度一定要满足网络的实际输入需求，因为网络的输入变量个数大于等于1.