请移步修改为版本：Pytorch使用TensorboardX进行网络可视化 - 简书

由于在之前的实验中，通过观察发现Loss和Accuracy不稳定，所以想画个Loss曲线出来，通过Google发现可以使用tensorboard进行可视化，所以进行了相关配置。首先安装tensorboardX和tensorflow命令如下:

pip3 install tensorboardX

pip3 install tensorflow (for tensorboard web server)

测试代码：

import torch

import torchvision.utils as vutils

import numpy as npimport 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):

    s1 = torch.rand(1) # value to keep

    s2 = torch.rand(1)

    writer.add_scalar('data/scalar1', s1[0], n_iter) 

    writer.add_scalar('data/scalar2', 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)

    x = torch.rand(32, 3, 64, 64) 

    if n_iter%10==0:

        x = vutils.make_grid(x, normalize=True, scale_each=True)

        writer.add_image('Image', x, n_iter)

        x = torch.zeros(sample_rate*2)

        for i in range(x.size(0)):

            x[i] = np.cos(freqs[n_iter//10]*np.pi*float(i)/float(sample_rate))

        writer.add_audio('myAudio', x, 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) #needs tensorboard 0.4RC or later

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()

最后在工程目录下打开terminal运行

tensorboard --logdir runs

结果为：