数据可视化：TensorboardX安装及使用
tensorboard作为Tensorflow中强大的可视化工具：
/tensorflow/tensorboard，已经被广泛使用
但针对其他框架，例如Pytorch，之前一直没有这么好的可视化工具可用，好在目前Pytorch也可以支持Tensorboard了，那就是通过使用tensorboardX，真是Pytorcher的福利！
Github传送门：Tensorboard ， TensorboardX
可以看到 tensorboardX完美支持了tensorboard常用的function
下面介绍tensorboardX安装和基本使用方法：
tensorboardX安装：
因为tensorboardX是对tensorboard进行了封装后，开放出来使用，所以必须先安装tensorboard, 再安装tensorboardX，
(而如果不需要，可以不安装tensorflow，只是有些功能会受限)
直接使用pip/conda安装：
pip install tensorboard
pip install tensorboardX
tensorboardX使用：
安装好后，剩下的和tensorboard使用方法基本一致，
先跑一遍example中的实例，
git clone /lanpa/tensorboardX.git
可以看到example 文件夹有很多实例
运行demo.py:
python demo.py
demo.py运行后，会在该目录生成默认的runs文件夹，里面存储了Demo程序写入的log文件(通过pytorch),这样就可以通过tensorboard对这些数据可视化了：
tensorboard --logdir runs
和往常一样启动tensorboard，web组件会在localhost搭建一个Port默认为6006
这时候打开浏览器(最好用chrome)进入http://localhost:6006/ ，就可以查看数据，还是熟悉的操作：
查看scalars:
images：
projector：
distributions:
Histograms：
pr curves:
etc… 具体tensorboard各项功能和使用可以查看tensorboard官方教程：
/tensorboard/get_started
其中demo.py如下，可以看到代码上tensorboardX使用方法和tensorboard基本一致，tensorboardX通过SummaryWriter 类操作log data(也只有这一个类)，并且通过add_xxxx记录各类data(如图表、直方图、图片，标量等等)，(对应tensorflow1.0之后版本改成了tensorflow.summary.FileWriter， add_xxxx)
# demo.py
import torch
import torchvision.utils as vutils
import numpy as np
import torchvision.models as models
from torchvision import datasets
from tensorboardX import SummaryWriter
resnet18 = models.resnet18(False)
writer = SummaryWriter()
sample_rate = 44100
freqs = [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)
# data grouping by `slash`
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) # output from network
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)):
# amplitude of sound should in [-1, 1]
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)
# needs tensorboard 0.4RC or later
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))
# export scalar data to JSON for external processing
writer.export_scalars_to_json("./all_scalars.json")
writer.close()
如果觉得《conda 装tensorboardx_Pytorch数据可视化：TensorboardX安装及使用（安装测试+实例演示）...》对你有帮助，请点赞、收藏，并留下你的观点哦！
