在PyTorch中使用TensorBoard

文章目录

• 在PyTorch中使用TensorBoard
• • 1.安装
  • 2.TensorBoard使用
  • • 2.1创建SummaryWriter实例
    • 2.2利用add_scalar()记录metrics
    • 2.3关闭Writer
    • 2.4启动TensorBoard
    • 3.本地连接服务器使用TensorBoard
    • • 3.1方法一：使用SSH命令进行本地端口转发
      • 3.2方法二：启动TensorBoard时添加参数--bind_all（推荐✅）
      • 3.3方法三：在终端工具里面配置SSH隧道或端口转发
      • 参考

        在PyTorch中使用TensorBoard

        在机器学习中，要改进模型的某些参数，我们通常需要对其进行衡量。TensorBoard 是用于提供机器学习工作流期间所需测量和呈现的工具。它使我们能够跟踪实验指标（例如损失和准确率），呈现模型计算图，将嵌入向量投影到较低维度的空间等。

        1.安装

        pip install tensorboard
        

        2.TensorBoard使用

        2.1创建SummaryWriter实例

        import torch
        from torch.utils.tensorboard import SummaryWriter
        # 记录的内容保存在“./log”里面，log里面会生成events.out.tfevents的文件
        writer = SummaryWriter('./log')  
        

        2.2利用add_scalar()记录metrics

        了解损失等关键指标以及它们在训练过程中的变化是非常重要的。标量有助于保存每个训练步骤的损失值，或者每个epoch之后的精度。

        使用 add_scalar(tag, scalar_value, global_step=None, walltime=None)记录标量值。

        # 用法示例：
        writer.add_scalar('loss', loss, epoch)
        writer.add_scalar('accuracy', accuracy, epoch)
        

        '''
        * @name: tensorboard_test.py
        * @description:创建一个线性回归模型，并使用add_scalar记录损失值
        '''
        x = torch.arange(-5, 5, 0.1).view(-1, 1)
        y = -5 * x + 0.1 * torch.randn(x.size())
        model = torch.nn.Linear(1, 1)
        criterion = torch.nn.MSELoss()
        optimizer = torch.optim.SGD(model.parameters(), lr = 0.1)
        def train_model(total_epoch):
            for epoch in range(total_epoch):
                y1 = model(x)
                loss = criterion(y1, y)
                writer.add_scalar("Loss/train", loss, epoch)  # 配置和连接->端口里面进行配置添加。 
         
        参考
         
        

        • How to use TensorBoard with PyTorch
        • Visualizing Models, Data, and Training with TensorBoard
        • torch.utils.tensorboard官方文档
        • 使用TensorBoard可视化训练过程
        • 在Pytorch中使用Tensorboard可视化训练过程

          😃😃😃