tensorboard加载不出来（TensorBoard详解之安装使用和代码介绍）

1.TensorBoard详解

TensorBoard是一个可视化的模块              ，该模块功能强大
 
  
 
  
 
  
 
  
 
  
 
  
 
  ，可用于深度学习网络模型训练查看模型结构和训练效果（预测结果              、网络模型结构图
 
  
 
  
 
  
 
  
 
  
 
  
 
  、准确率













、loss曲线  
  
  
  
  
  
  
、学习率 
  
  
  
  
  
  
 、权重分布等）













，可以帮你更好的了解网络模型  
  
  
  
  
  
  
，设计TensorBoard调用相关代码 
  
  
  
  
  
  
 ，以上结果即可保存


 


 


 


 


 


 


 ，是整合资料


 


 


 


 


 


 


 、梳理模型的好帮手              。

1.1 环境

本设备使用的环境为：

tensorflow-gpu 2.4.0

pytorch1.8.0

cuda 11.0

cudnn 8.0.5

tensorboard 2.7.0

安装TensorBoard,必须要配一个带GPU的虚拟环境 
 
 
 
 
 
 
，tensorflow-gpu和pytorch的环境选一个就好  
   
   
   
   
   
   
 ，配好环境后

 

 

 

 

 

 

 ，下面介绍安装技巧和步骤
 
  
 
  
 
  
 
  
 
  
 
  
 
  。

1.2 安装

可以在激活的命令行中安装：

conda activate pytorch1.8.0

之后
 

 

 

 

 

 

 
，在命令行中输入：

pip install tensorboard

pip install tensorboardX

Tensorboard其实是TensorFlow♂ 的一个附加工具              ，而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
 

 
 

 
 

 
 

 
 

 
 

 
 

 ，如pytorch

；安装的版本不用管













，会自动安装最近的版本                     ，本设备pytorch环境安装情况如下：

当然
 
 
 
 
 
 
 
 
 
 
 
 
 
 ，用一些镜像源可以加速下载




















，下面给出一些好用的镜像源（清华和豆瓣镜像源比较快）：

https://pypi.tuna.tsinghua.edu.cn/simple

https://pypi.douban.com/simple

使用方法在pip安装命令行末尾加（ -i 镜像网址）,pip安装其他模块也适用













。

pip install tensorboard -i https://pypi.tuna.tsinghua.edu.cn/simple

编译器自动提醒安装              ，点击确定安装会在编译器终端自动安装； 编译器终端命令行安装
 
  
 
  
 
  
 
  
 
  
 
  
 
  ，该方式在编译器中选择带GPU的环境后













，不虚激活环境  
  
  
  
  
  
  
，直接pip 输入命令行直接安装 
  
  
  
  
  
  
 ，方法同上述1  
  
  
  
  
  
  
。 克隆代码安装GitHub


 


 


 


 


 


 


 ，按照README.md配置并安装 
 
 
 
 
 
 
，针对GitHub下载部分文件方法以及GitHub加速镜像网站  
   
   
   
   
   
   
 ，可参考我的前面博文:

GitHub上只下载部分文件的操作教程

GitHub加速网址及使用教程

注意：其实其他模块安装包

 

 

 

 

 

 

 ，这些方法基本都适用 
  
  
  
  
  
  
 。

1.3 展示

安装完成后
 

 

 

 

 

 

 
，在该虚拟环境中输入：

pip list

可查看是否安装成功              ，该展示为本设备tensorflow2虚拟环境的安装情况：

并且下次打开VS code编译器
 

 
 

 
 

 
 

 
 

 
 

 
 

 ，有“是否使用TensorBoard模块功能 
  
  
  
  
  
  
 ”的提示













，我们点击“是 
  
  
  
  
  
  
 ”                     ，就可以开启TensorBoard的使用
 
 
 
 
 
 
 
 
 
 
 
 
 
 ，在网络训练结束后将自动生成runs文件夹,里面有后面使用的event file


 


 


 


 


 


 


 。

1.4说明

打开event file的方法也可以在该文本文件夹下




















，按住shift键              ，并点击右键
 
  
 
  
 
  
 
  
 
  
 
  
 
  ，鼠标点击“在此处打开powershell窗口(S)

 


 


 


 


 


 


 
”,并输入：

tensorboard --logdir runs

该runs文件夹是TensorBoard调用代码生成的













，你也可以在代码中修改为生成logs文件夹等； 点击enter键之后  
  
  
  
  
  
  
，可以获得TensorBoard可视化结果网址：

http://localhost:6006/

结果如下图：

2.使用

2.1步骤

如下面两张图所示 
  
  
  
  
  
  
 ，3个黄色框分别对应三个操作步骤：

获得代码子文件夹名称为runs里面events.开头的文本文件(event file)


 


 


 


 


 


 


 ，一般在runs的子文件下点开可以看到； 在编译器（VS Code 
 
 
 
 
 
 
、Pycharm）在底部终端输入：tensorboard --logdir runs 复制生成的网址 
 
 
 
 
 
 
，在浏览器打开 
 
 
 
 
 
 
。

http://localhost:6006/

最后生成TensorBoard可视化界面  
   
   
   
   
   
   
 。

生成event file文本的方法：

训练网络自动生成  
   
   
   
   
   
   
 ，针对该无法成功的

 

 

 

 

 

 

 ，应该是启动编辑器时没有选用提示显示的使用tensorboard模块
 

 

 

 

 

 

 
，那我们还有下面两种方法              ，方法3亲测可用； 添加py代码文件保存： import numpy as np from torch.utils.tensorboard import SummaryWriter writer = SummaryWriter(comment=tensorboard_test) for x in range(50): writer.add_scalar(y=2x, x * 2, x) writer.add_scalar(y=pow(2, x), 2 ** x, x) writer.add_scalars(data/scalar_group, {"xsinx": x * np.sin(x), "xcosx": x * np.cos(x), "arctanx": np.arctan(x)}, x) writer.close() 自行在tensorboard界面下载,

2.2常用镜像网址

清华：https://pypi.tuna.tsinghua.edu.cn/simple

阿里云：http://mirrors.aliyun.com/pypi/simple/

中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/

华中理工大学：http://pypi.hustunique.com/

山东理工大学：http://pypi.sdutlinux.org/

豆瓣：http://pypi.douban.com/simple/

3.代码讲解

下面介绍该模块的常用函数和示例代码：

3.1 函数介绍

tensorboard --logdir=路径

该方式为tensorboard文件的生成之后
 

 
 

 
 

 
 

 
 

 
 

 
 

 ，在命令行调用该文件













，获得tensorboard网址（前面已介绍）

tensorboard --logdir=G:\wuzhihua\yolo3-pytorch-master\runs

SummaryWriter()

该函数为创建一个tensorboard文件                     ，调用方式为：

writer = SummaryWriter(log_dir=‘runs’,flush_secs=30)

writer.add_graph()

该函数为创建Graphs
 
 
 
 
 
 
 
 
 
 
 
 
 
 ，Graphs中存放了网络结构




















，

if Cuda: graph_inputs = torch.from_numpy(np.random.rand(1,3,input_shape[0],input_shape[1])).type(torch.FloatTensor).cuda() else: graph_inputs = torch.from_numpy(np.random.rand(1,3,input_shape[0],input_shape[1])).type(torch.FloatTensor) writer.add_graph(model, (graph_inputs,))

3.2 示例代码

最后              ，提供用TensorBoard创建Graph和简单模式并可视化输出显示代码示例:

import torch from torch.autograd import Variable import torch.nn.functional as functional from tensorboardX import SummaryWriter import matplotlib.pyplot as plt import numpy as np # x的shape大小 x = torch.from_numpy(np.linspace(-1, 1, 50).reshape([50, 1])).type(torch.FloatTensor) # y的shape大小 y = torch.sin(x) + 0.2 * torch.rand(x.size()) class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() # Applies a linear transformation to the incoming data: :math:y = xA^T + b # 全连接层
 
  
 
  
 
  
 
  
 
  
 
  
 
  ，公式为y = xA^T + b self.hidden = torch.nn.Linear(n_feature, n_hidden) self.predict = torch.nn.Linear(n_hidden, n_output) def forward(self, x): # 隐含层的输出 hidden_layer = functional.relu(self.hidden(x)) output_layer = self.predict(hidden_layer) return output_layer # 类的建立 net = Net(n_feature=1, n_hidden=10, n_output=1) writer = SummaryWriter(runs) graph_inputs = torch.from_numpy(np.random.rand(2, 1)).type(torch.FloatTensor) writer.add_graph(net, (graph_inputs,)) # torch.optim是优化器模块 optimizer = torch.optim.Adam(net.parameters(), lr=1e-3) # 均方差loss loss_func = torch.nn.MSELoss() for t in range(2000): prediction = net(x) loss = loss_func(prediction, y) # 反向传递步骤 # 1  
   
   
   
   
   
   
 、初始化梯度 optimizer.zero_grad() # 2

 

 

 

 

 

 

 、计算梯度 loss.backward() # 3
 

 

 

 

 

 

 
、进行optimizer优化 optimizer.step() writer.add_scalar(loss, loss, t) writer.close()

结果展示：

注意：界面里面还能修改画图曲线的颜色













，要保存结果修改相关代码即可

 

 

 

 

 

 

 。

TensorBoard`的介绍到此结束  
  
  
  
  
  
  
，要去PyTorch♀官方查看使用源码的小伙伴可以从以下进入学习：

https://pytorch.org/

https://pytorch.org/tutorials/recipes/recipes/tensorboard_with_pytorch.html?highlight=tensorboard

参考博主：

https://blog.csdn.net/weixin_44791964/article/details/106701052

参考园主：

https://www.cnblogs.com/coderpeng/p/14180579.html

本文作者：会飞的渔WZH

本文链接：https://blog.csdn.net/wuzhihuaw/article/details/121357355

版权声明：本作品采用知识共享署名-非商业性使用-禁止演绎 2.5 中国大陆许可协议进行许可
 

 

 

 

 

 

 
。

如需转载请注明出处              。 各位老板给个关注给个赞赞🤞🤞🤞🤞