最近pytorch出了visdom，也沒有怎么去研究它，主要是覺得tensorboardX已經(jīng)夠用，而且用起來也十分的簡單

pip install tensorboardX

然后在代碼里導(dǎo)入

from tensorboardX import SummaryWriter

然后聲明一下自己將loss寫到哪個(gè)路徑下面

writer = SummaryWriter('./log')

然后就可以愉快的寫loss到你得這個(gè)writer了

niter = epoch * len(train_loader) + i
writer.add_scalars(args.result_path + 'Train_val_loss', {args.result_path+'train_loss': loss.data.item()}, niter)

其中，add_scalars是將不同得變量添加到同一個(gè)圖下，圖的名稱是add_scalars得第一個(gè)變量

然后為這個(gè)圖中不同得曲線添加不同得標(biāo)題，上面這一行代碼

writer.add_scalars(args.result_path + 'Train_val_loss', {args.result_path+'train_loss': loss.data.item()}, niter)

后面得dict中得key是曲線的名稱，后面的value是對應(yīng)得append的值，再后面得niter是x坐標(biāo)，這句話得意思就相當(dāng)于，對于圖名稱為args.result_path + 'Train_val_loss'的圖，對曲線名稱為args.result_path+'train_loss'添加新的點(diǎn)，這個(gè)點(diǎn)為（niter, loss.data.item()）

同樣的，我可以畫出val的loss

niter = epoch * len(train_loader) + i
writer.add_scalars(args.result_path + 'Train_val_loss', {args.result_path+'val_loss': mean_loss}, niter)

writer保存到了我們剛剛聲明的路徑'./log‘下面，然后終端啟動(dòng)tensorboard

tensorboard --logdir ./log --port 8890

不會(huì)用得進(jìn)行tensorboard --help即可

然后進(jìn)行端口映射就行了

實(shí)際上在使用的過程中，我發(fā)現(xiàn)了，如果你要保存的結(jié)果在各個(gè)子文件夾內(nèi)，然后你在父文件夾運(yùn)行tensorboard，就可以在瀏覽器看到各種結(jié)果，而不必再進(jìn)行不同的端口映射

比如上面這個(gè)，我的resnet文件夾下有不同的我writer寫入的文件，在父目錄下啟動(dòng)tensorboard之后，

沒毛??！

補(bǔ)充拓展：pytorch產(chǎn)生loss的計(jì)算圖代碼

廢話不多說，直接上代碼

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
  def __init__(self):
    super(Net,self).__init__()
    self.conv1=nn.Conv2d(1,6,5)
    self.conv2=nn.Conv2d(6,16,5)
    self.fc1=nn.Linear(16*5*5,120)
    self.fc2=nn.Linear(120,84)
    self.fc3=nn.Linear(84,10)
  def forward(self,x):
    x=F.max_pool2d(F.relu(self.conv1(x)),(2,2))
    x=F.max_pool2d(F.relu(self.conv2(x)),2)
    x=x.view(x.size()[0],-1)
    print(x)
    x=F.relu(self.fc1(x))
    x=F.relu(self.fc2(x))
    x=self.fc3(x)
    return x
net=Net()
#params=list(net.parameters())
#for name,parameters in net.named_parameters():
#  print(name,':',parameters.size())
#print(len(params))
#print(net)
input=Variable(t.randn(1,1,32,32))
output=net(input)
#out.size()
target=Variable(t.arange(0,10))
criterion=nn.MSELoss()
loss=criterion(output,target)
loss.grad_fn

以上這篇pytorch使用tensorboardX進(jìn)行l(wèi)oss可視化實(shí)例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評論