点击上方
“
小白学视觉
”，选择加"
星标
"或“
置顶
”
重磅干货，第一时间送达
之前笔者提到了PyTorch的专属可视化工具visdom，参看
PyTorch深度学习训练可视化工具visdom
。但在此之前很多TensorFlow用户更习惯于使用TensorBoard来进行训练的可视化展示。为了能让PyTorch用户也能用上TensorBoard，有开发者提供了PyTorch版本的TensorBoard，也就是tensorboardX。
安装与启动
熟悉TensorBoard的用户可以无缝对接到tensorboardX，安装方式为：
除了要安装PyTorch之外，还需要安装TensorFlow。跟TensorBoard一样，tensorboardX也支持scalar, image, figure, histogram, audio, text, graph, onnx_graph, embedding, pr_curve，video等不同类型对象的可视化展示方式。
tensorboardX和TensorBoard的启动方式一样，直接在终端下运行：
tensorboard --logdir runs
然后另起一个终端执行Python文件即可：
打开localhost:6006即可看到tensorboardX可视化界面。
tensorboardX本地启动非常容易，但一般情况下我们训练都是在服务器上完成的， 所以要在远程启动tensorboardX需要进行一些简单的设置。以虚拟机工具xshell为例：依此设置文件->属性->ssh->隧道->添加,类型local，源主机填127.0.0.1（本机），端口设置一个，比如12345，目标主机为服务器地址，目标端口一般是6006，如果6006被占了可以改为其他端口。
分别执行tensorboard和python脚本后，本地打开127.0.0.1:12345即可进入远程TensorBoard界面。
使用示例
以scalar为例来看一下tensorboardX的使用方式：
import numpy as npfrom tensorboardX import SummaryWriterwriter = SummaryWriter()for i in range(100): writer.add_scalar('data/scalar1', np.random.rand(), i) writer.add_scalar('data/scalar2', {'xsinx': i*np.sin(i), 'xcosx': i*np.cos(i)}, i)writer.close()
scalar可视化如下图所示。
一个完整tensorboardX 使用demo如下：
import torchimport torchvision.utils as vutilsimport numpy as npimport torchvision.models as modelsfrom torchvision import datasetsfrom tensorboardX import SummaryWriter
resnet18 = models.resnet18(False)writer = SummaryWriter()sample_rate = 44100freqs = [262, 294, 330, 349, 392, 440, 440, 440, 440, 440, 440]
for n_iter in range(100):
dummy_s1 = torch.rand(1) dummy_s2 = torch.rand(1) writer.add_scalar('data/scalar1', dummy_s1[0], n_iter) writer.add_scalar('data/scalar2', dummy_s2[0], n_iter)
writer.add_scalars('data/scalar_group', {'xsinx': n_iter * np.sin(n_iter), 'xcosx': n_iter * np.cos(n_iter), 'arctanx': np.arctan(n_iter)}, n_iter)
dummy_img = torch.rand(32, 3, 64, 64) if n_iter % 10 == 0: x = vutils.make_grid(dummy_img, normalize=True, scale_each=True) writer.add_image('Image', x, n_iter)
dummy_audio = torch.zeros(sample_rate * 2) for i in range(x.size(0)): dummy_audio[i] = np.cos(freqs[n_iter // 10] * np.pi * float(i) / float(sample_rate)) writer.add_audio('myAudio', dummy_audio, n_iter, sample_rate=sample_rate)
writer.add_text('Text', 'text logged at step:' + str(n_iter), n_iter)
for name, param in resnet18.named_parameters(): writer.add_histogram(name, param.clone().cpu().data.numpy(), n_iter)
writer.add_pr_curve('xoxo', np.random.randint(2, size=100), np.random.rand(100), n_iter)
dataset = datasets.MNIST('mnist', train=False, download=True)images = dataset.test_data[:100].float()label = dataset.test_labels[:100]
features = images.view(100, 784)writer.add_embedding(features, metadata=label, label_img=images.unsqueeze(1))
writer.export_scalars_to_json("./all_scalars.json")writer.close()
可视化效果如下所示：
好消息！
小白学视觉知识星球
开始面向外开放啦👇👇👇
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
